def upconv2x2(in_channels, out_channels, mode='transpose'):
 if mode == 'transpose':
  # 這個(gè)上采用需要設(shè)置其輸入通道，輸出通道.其中kernel_size、stride
  # 大小要跟對應(yīng)下采樣設(shè)置的值一樣大小。這樣才可恢復(fù)到相同的wh。這里時(shí)反卷積操作。
  return nn.ConvTranspose2d(
   in_channels,
   out_channels,
   kernel_size=2,
   stride=2)
 else:
  # out_channels is always going to be the same
  # as in_channels
  # 這里不會改變通道數(shù)，其中scale_factor是上采用的放大因子，其是相對于當(dāng)前的
  # 輸入大小的倍數(shù)
  return nn.Sequential(
   nn.Upsample(mode='bilinear', scale_factor=2, align_corners=True))
  # 這里的代碼是在這里設(shè)置多一個(gè)卷積,這樣子就起到了可以修改其輸出通道的功能了。
  # 相當(dāng)于功能跟ConvTranspose2d()差不多，只是上采樣的方法不同
  conv1x1((in_channels, out_channels))
 
 
def conv1x1(in_channels, out_channels, groups=1):
 return nn.Sequential(nn.Conv2d(
  in_channels,
  out_channels,
  kernel_size=1,
  groups=groups,
  stride=1),
 nn.BatchNorm2d(out_channels))

  # Stage 5
  x51 = F.relu(self.bn51(self.conv51(x4p)))
  x52 = F.relu(self.bn52(self.conv52(x51)))
  x53 = F.relu(self.bn53(self.conv53(x52)))
  #這個(gè)id5記錄的是池化操作時(shí)最大值的index，其要設(shè)置參數(shù)return_indices為True
  x5p, id5 = F.max_pool2d(x53,kernel_size=2, stride=2,return_indices=True)
 
 
  # Stage 5d
  #這個(gè)是進(jìn)行最大值上采樣的函數(shù)，其是根據(jù)id5來把值放到什么位置，其它位置沒有值的地方
  補(bǔ)0
  x5d = F.max_unpool2d(x5p, id5, kernel_size=2, stride=2)
  x53d = F.relu(self.bn53d(self.conv53d(x5d)))
  x52d = F.relu(self.bn52d(self.conv52d(x53d)))
  x51d = F.relu(self.bn51d(self.conv51d(x52d)))