前言

架構與程式碼交叉解釋 (2)

inputs = Input(input_size)
conv1 = Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(inputs)
conv1 = Conv2D(64, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv1)

兩個卷積層，所以卷積了兩次，最後獲得 64 個 feature map。

pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
conv2 = Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(pool1)
conv2 = Conv2D(128, 3, activation = 'relu', padding = 'same', kernel_initializer = 'he_normal')(conv2)

pooling 後再兩個 convolution，對應的架構如下圖：

目前層數來說都是正確的，接下來的結構都差不多。

結語

目前已經知道有兩種架構，接下來我們會繼續閱讀論文，來了解其他的結構。
(1) Conv2D
(2) Pooling

參考文獻

[1] zhixuhao's unet