Albelt
commented
5 years ago 作者是香港中文大学的，貌似不会中文（我猜测），我说一下我的理解： １．3D的数据转换成2D了，只是这个2D跟我们平时理解的不一样，她是三张原图放在一起作为2D网络 Input，同时取三张原图中间那张对应的标签作为2D网络的 Label，所以从这个意义上来讲，输入是二维的。训练数据没有进行shuffle，但是进行了随机采样，也起到了数据增强的效果。 ２．3dpart和end2end两种模式使用的是同一个网络结构，即端到端的模型，这个模型包括一个2D DenseUNet，一个3D DenseUNet和最后一个简单的融合层HFF，这两种训练模式的差别在于：使用3dpart模式时，2D部分的参数是不可变的（代码中2D DenseUNet网络的trainable参数设置成了false），也就是固定2D网络参数，单独训练3D网络（以及最后面的HFF）；而使用end2end模式，2D部分的参数是可变的（代码中2D DenseUNet网络的trainable参数设置成了true），这个时候2D、3D网络和HFF都已经训练完了，再进行一次融合训练，相当于fine tune。end2end模式训练结束后整个训练过程才算完事。 ３．batch_size设置成其他会报错，这是因为你设置的时候只改了一处的batch size，应该同时修改数据配置和网络配置处的batch size。其实设置成１已经接近极限了，因为最后的数据是4x8=32张224x224的图。因为网络比较深，参数6000多万虽然不占多少显存，但是中间层的计算结果需要留在显存中供反向传播梯度更新使用，所以会占据相当大的显存，具体你可以算一下，但是我不知道keras会保存哪些中间计算结果，所以我也没算过。
yangsenwxy
JunMa11
您好，我对代码有几点不是很清楚，能解答一下嘛，万分感谢~~~ (1)在训练dense-2dunet是时，训练数据应该类似于shuffle的吧，并没有将3D的数据块转换成2D的训练。 (2)在训练3D的时候，3dpart和end2end有什么区别吗，模型好像没什么区别。 (3)在训练3D的时候，使用的是一块gpu，batch_size只能设置1，设置其他的在最后数据变换的时候会报错。