3D-SKIPDENSESEG医学图像分割

蓝色三角、黄色三角、红色三角相对应。
得到第三个feature map，绿色反卷积会恢复到原来的尺寸
Dense block，通道增加了
Transition，池化

用正则表达式把里面的h5文件匹配一下吧
os.path.join()把两个部分的路径拼一下
root_path —data_train
*.h5，不管名字是什么，只要后缀是h5，就把它匹配一下
glob，遍历所有.h5文件
得到data_train里面的八个subject

mode，数据集处理的是训练集or测试集or验证集，用一个标志位键区别一下。传进来的是train，就知道对training dataset进行一个处理

数据扩充，尽量保持原始数据
前提是训练数据，验证集不能扩充，验证集扩充，准确率就没有意义了

有可能传进来的，是对测试集和验证集处理

知道长度了，给我一个索引，返回一个训练样本

要转成64 * 64 * 64固定大小的patch

得到这样的数据

需要64 64 64，还需要什么，还需要一个batch_size，batch_size个patch，去掉一个维度

去掉第二个维度，其余不变

为什么记录长宽高，我们要从不固定大小的脑图像中裁patch

裁的开始位置是有讲究的

T1和T2两个特征，data_x不需要去维度了

cx是C的起始位置，cy是H的起始位置，cz是W的起始位置。0,1,2维度

为什么要随机裁，不从0开始
每一轮迭代的过程中，都希望从样本中取一个数据，每次从样本里取一个patch，如果每次从0开始取的话，就不能遍历脑图像的所有区域了。所以通过随机值的方式随机地取一个patch，如果训练轮数足够多的话，理论上是可以把闹图像的所有区域遍历到。

裁的开始位置是cx，结束位置，这个维度的

不直接传一个数字，往往我们需要64 48 32，所以体现这样写的用意了

为什么是0，限制返回的结果是一个，一条索引返回一个数据
batch_size的维度一定要相同，

验证集取中心位置，每一个iteration都是这个位置，验证集才有价值。如果每轮patch都在变的话，验证就失去价值了

模块注册
Sequential、ModuleList 自动注册
add_module 手动注册


调用父类的forward函数，就可以把这个流程跑一遍，是因为我们已经手动地把这些模块自动注册了

遍历每一个模块，如果是卷积操作的话，用正态分布这种初始化方式

为什么用ModuleList，它的索引是可以利用上的，第一轮循环的时候，i = 0的时候，放到upsampling list就是第一个元素，i = 1的时候，第二个元素，非常方便，通过它的索引去取，并且，取到的时候可以还原kernel_size的大小


通道从2到32