unet 处理multi-label的数据

办法1：debug原来的unet代码，看看哪里不对劲。

1.sigmoid

sigmoid是处理二分类问题的。

在loss function里，用了sigmoid函数进行prediction结果的二分类。

所以应该是一个channel用来表示一个label比较合适。

所以针对我们的问题：

就是2个output channel 就可以了。

办法2：跑新的代码

https://github.com/zsdonghao/u-net-brain-tumor

以后再说。

具体操作：

1.label the gourndtruth

2. 思路是：

在同一张图中label，然后再手动转化成two channels.然后丢进网络里去跑。

3.直接改loss function部分就好啦

直接在lossfunction里 把groudnturth的一张图变成两个channel

详细的改loss function的步骤：

建议是都用 tensor写，不要转化成numpy

view(-1) 是把array变成一维的

torch的一些tip:

1.查看数组的type

var.size()

2.

torch.zeros([2,4],dtype=torch.int32)

3.

torch转numpy的转换方法

Numpy2Tensor：1. torch.from_numpy(Numpy_data) 2. torch.tensor(Numpy_data) 

Tensor2Variable: 1. Variable(Tensor_data)

Variable2Tensor: 1. Variable_data.data()

Tensor2Numpy : 1.Tensor_data.numpy() 

4.

画图

import matplotlib.pyplot as plt 

plt.imshow(img). imshow()

debug：

1. Totensor这个是怎么实现的。

可以从to_tensor()函数看到，函数接受PIL Image或numpy.ndarray，将其先由HWC转置为CHW格式，再转为float后每个像素除以255.

记录：label1是171，label2是85

2.问题出在label不是单纯的171和85

找到原因了。放大nrrd图，其实同一个cell的label的颜色还是不一样的！

现在需要做的事情是nrrd图转tif图的过程的检查

运行命令行：

python main.py -n_classes 2

报错：

RuntimeError: expected backend CPU and dtype Float but got backend CUDA and dtype Float

期望得到CPU类型张量，得到的却是CUDA张量类型。

很典型的错误，例如计算图中有的参数为cuda型有的参数却是cpu型就会遇到这样的错误。

把数据从cpu迁移到cuda的网址：

https://blog.csdn.net/qq_28444159/article/details/78781201

https://blog.csdn.net/hustchenze/article/details/79154139

结果：

用了这里的代码

https://github.com/HZCTony/U-net-with-multiple-classification

代码理解和分析：

为什么之前自己跑不出来！

shape问题！

gt  和 prediction flat之后相减，对应元素对不上！

https://github.com/ophir91/MultiClass_UNet