unet每层参数形状

原文链接：https://blog.csdn.net/weixin_39875161/article/details/103378281?utm_medium=distribute.pc_aggpage_search_result.none-task-blog-2~aggregatepage~first_rank_ecpm_v1~rank_aggregation-1-103378281.pc_agg_rank_aggregation&utm_term=unet%E5%8F%82%E6%95%B0&spm=1000.2123.3001.4430 

input_1:0 的形状为 : (?, 256, 256, 1)
--------------------------------
conv2d_1_1/Relu:0 的形状为 : (?, 256, 256, 64)
conv2d_1_2/Relu:0 的形状为 : (?, 256, 256, 64)
max_pooling2d_1/MaxPool:0 的形状为 : (?, 128, 128, 64)
--------------------------------
conv2d_2_1/Relu:0 的形状为 : (?, 128, 128, 128)
conv2d_2_2/Relu:0 的形状为 : (?, 128, 128, 128)
max_pooling2d_2/MaxPool:0 的形状为 : (?, 64, 64, 128)
--------------------------------
conv2d_3_1/Relu:0 的形状为 : (?, 64, 64, 256)
conv2d_3_2/Relu:0 的形状为 : (?, 64, 64, 256)
max_pooling2d_3/MaxPool:0 的形状为 : (?, 32, 32, 256)
--------------------------------
conv2d_4_1/Relu:0 的形状为 : (?, 32, 32, 512)
conv2d_4_2/Relu:0 的形状为 : (?, 32, 32, 512)
dropout_4/cond/Merge:0 的形状为 : (?, 32, 32, 512)
max_pooling2d_4/MaxPool:0 的形状为 : (?, 16, 16, 512)
--------------------------------
conv2d_5_1/Relu:0 的形状为 : (?, 16, 16, 1024)
conv2d_5_1/Relu:0 的形状为 : (?, 16, 16, 1024)
dropout_5/cond/Merge:0 的形状为 : (?, 16, 16, 1024)
--------------------------------
deconv2d_6_1/Relu:0 的形状为 : (?, 32, 32, 512) up
concatenate_6/concat:0 的形状为 : (?, 32, 32, 1024) drop4 deconv2d_6_1
conv2d_6_2/Relu:0 的形状为 : (?, 32, 32, 512)
conv2d_6_3/Relu:0 的形状为 : (?, 32, 32, 512)
--------------------------------
conv2d_7_1/Relu:0 的形状为 : (?, 64, 64, 256) up
concatenate_7/concat:0 的形状为 : (?, 64, 64, 512) conv2d_3_2 deconv2d_7_1
conv2d_7_2/Relu:0 的形状为 : (?, 64, 64, 256)
conv2d_7_3/Relu:0 的形状为 : (?, 64, 64, 256)
--------------------------------
conv2d_8_1/Relu:0 的形状为 : (?, 128, 128, 128) up
concatenate_8/concat:0 的形状为 : (?, 128, 128, 256) conv2d_2_2 deconv2d_8_1
conv2d_8_2/Relu:0 的形状为 : (?, 128, 128, 128)
conv2d_8_3/Relu:0 的形状为 : (?, 128, 128, 128)
--------------------------------
conv2d_9_1/Relu:0 的形状为 : (?, 256, 256, 64)
concatenate_9/concat:0 的形状为 : (?, 256, 256, 128) conv2d_1_2 deconv2d_9_1
conv2d_9_2/Relu:0 的形状为 : (?, 256, 256, 64)
conv2d_9_3/Relu:0 的形状为 : (?, 256, 256, 64)
conv2d_9_4/Relu:0 的形状为 : (?, 256, 256, 2)
--------------------------------
conv2d_10/Sigmoid:0 的形状为 : (?, 256, 256, 1)

标签：每层,Relu,unet,参数,128,64,形状,256,conv2d
来源： https://www.cnblogs.com/dyr-bangbangda/p/15407393.html