我有一堆3D腹部图像，我想通过这些图像来学习分割肾脏和肝脏的网络。在继续实施可以从3d图像中学习的模型之前，我希望我先学习事物在2d中的工作方式，然后再继续进行，因此我创建了具有以下架构的网络
tanh（转化32）-tan（转化64）-tan（转化128）-softmax（转化256） （Deconv，softmax（Conv 128））-（Deconv，softmax（Conv 64））-（Deconv，softmax（Conv32））-（Deconv，softmax（Conv 3））
，并对单个文件的每个深度进行了培训。我特意将第四层和连续层的激活设置为softmax，因为在对卷积进行反卷积时，我想弄清楚该程序要插值的内容，而不仅仅是一些神经激活。给定softmax产生的结果压缩在0到1之间，我认为将其作为浮点图像是有意义的。
每个图像的数据尺寸为[512，512，371]，其中我认为第三个尺寸为深度，输出的形状为[512，512，371，3]，其中最后一个维度可以解释为代表每个类别（背景，肾脏和肝脏）的像素使用交叉熵计算损失的可能性。
反卷积层不过是转置卷积，其权重已初始化为双线性插值。 （由于我独立检查了模块，因此可以认为双线性插值有效）。
观察到网络存在问题，例如训练误差在20个周期后达到零，并且在使用均方误差损失函数进行训练时开始在某些ε值内振荡。在使用交叉熵进行训练时，情况并非如此，但就最终分割而言，它甚至与以前的模型所产生的结果还不相近。
我在github-repo中整理了代码，也许您可以发现我无法做到的事情。如果您在我的存储库中遇到sf_epochs_30.png并想知道它是什么，那么这里是描述： 图（a）：培训图像 图（b）：地面真相 图（c）：在经过30个纪元训练后被2d网络分割，损失为MSE。
有人可以建议如何改善该网络的学习。希望您尝试运行我的程序。