手算 U-Net 全流程:17 步走完卷积、池化与跳跃连接
ProfTomYeh · x · 2026-09-18
Prof. Tom Yeh 发布了一期「by hand」系列教程,用 17 个步骤在 3×16 像素的小图上手工算完一整个 U-Net 前向传播。
内容脉络:
- 编码路径:两次 2×3 卷积加 1×2 max pooling,16 列→8 列→4 列,得到 2×4 瓶颈特征
- 解码路径:转置卷积上采样并填补空隙,配合编码器对应特征图的跳跃连接恢复细节
- 最后经 ReLU 和输出卷积,得到与输入同尺寸的 R'、G'、B' 图像
作者强调 U-Net 出自医学影像而非顶会,是首个真正可用的 image-to-image 模型,如今是几乎所有扩散模型图像生成的骨干结构;跳跃连接是它能找回池化丢失细节的关键。教程附完整输出矩阵,读者可逐格验算。
「研究」频道最新
- 斯坦福学者谈变异优先级:没人解决它,旧评分派也过时了 — anshulkundaje · 2026-09-18
- CADD 等聚合评分仍有用,须结合上下文特异性效应解读 — anshulkundaje · 2026-09-18
- 用表型评分把分子效应映射为疾病特异性优先级 — anshulkundaje · 2026-09-18
- 压缩为通用评分丢失信息,细胞上下文对疾病至关重要 — anshulkundaje · 2026-09-18
- 序列到组学监督模型的核心优势:学到上下文特异调控逻辑 — anshulkundaje · 2026-09-18
- 非编码变异效应高度依赖细胞上下文,DNA 语言模型因此吃力 — anshulkundaje · 2026-09-18