本文主要讲解的主要不是深度学习训练模型过程中的数学步骤，不是讲： 输入——前向传播——反向传播——输出，特征提取，特征融合等等过程。而是对于小白或者门外汉来说，知道模型怎么处理的，在用些什么东西，怎么用的，怎么实现最终可以分割的模型的。

形象理解训练的过程，哪些loss指标是怎么来的，模型的更新又是怎么个过程的。

（写在前面：说白了：我们做的工作就是去找一个函数去尽可能拟合一个个散值）

首先，要大体明白，模型的训练过程。有几个大的组件。 一个是原图（待处理的图片），一个是ground truth（被标注好的数据集，常见为黑白二值图片）， 待训练的模型框架（提出的算法网络）（猜测的函数模型）。

我们要做的任务就是，利用被标注的数据集，来训练模型，使得模型能够正常识别关注的病变区域和背景。 

而训练后，就能够通过给它一个图片，（简单地说）就能分清楚前景（被关注的对象）和背景。 而训练后的模型相当就是一个庞大复杂的函数，f。而训练过程，就是不断调整各个部分参数的过程。例如：f = ax + b。  就是求出a,b，是的函数拟合更好的意思。

原图片：                                                        ground truth二值图片

         

知道，三大组件后，就通俗说说各自什么意思，相当于什么。

整个过程相当于就是：（网络）模型就是一个参数有待确定的函数。ground truth就是散落在图像中的点。（最开始会随便初始化一个a,b参数值）通过输入原图片（相当于输入x0的值）， 会得到一个函数值f0，然后再通过让f0与应该得到的真实值y0（也就是ground truth对应的值（要知道图片也是一个一个的值组成的哈））作差或者其他方式（所以这里怎么去计算差距的方式算法也比较重要，所以也可以通过调整这个，来使得模型更优），来找到差距，从而进行调整修正参数。最后大量训练后，参数a，b...就基本稳定（也就是我们常说的模型最终收敛稳定），loss值变最小，变稳定。

（可能会问：它怎么调整，怎么修正的呢，计算机怎么知道怎么调会让差距变大， 怎么调会让差距变小？这就是看更新公式，更新算法了，更新算法在pytorch中已经打包好的，直接调用就好了。）

形象的比喻，相当于就是一个学生学习过程。  

开始输入的原图片相当于就是  给学生做练习题。 ground truth 相当于就是参考答案，  对答案后修正原来的认知（也就相当于修正参数，具体怎么才是往差距更小的方向去修正，就是更新函数的事，直接调用不用管），修正后又继续做其他的，更多的练习题，知道给这个板块的“知识”学会（也就是得到了一组参数，使得模型每次做题较好）。

拓：后面训练好后，一般还涉及验证集，测试集。 他们分别就相当于是 月考，高考。  月考后，会对参数进行微调（简单的更新认知），测试集就是直接来一个新题，看效果怎么样（也就是最后看评价指标）。

而我们再回到最前面我们说到的那些：前向传播，反向传播，特征提取，位置编码等等操作，其实是构建函数f (也就是网络模型)的过程。而我们说的训练 ，就是找这个函数的合适参数系数的过程。

另外，其实这也很好理解了，为啥我们看文章的时候，尽量以数据集为分类来看模型，因为数据集就是出的题型，  同类的题，学习的方式，思维很有借鉴价值——也就是他人做该数据集做分割的时候提出模型对应的模块。  当然，其实理论上来说，好的函数架构，应该是用什么数据集训练，都应该可以得到较好的结果，但是就好比，有的人笨，有的人聪明，有的人擅长这方面，有的人不擅长这方面一样。   如果你提出的网络架构确实好，那么确实就可以适用于很多数据集，就好比人很聪明一样。   但是大多数人都是平凡人，我们提出来的大多数模型也很普通，所以，就在所在领域先学好再说吧。   

本人Q：135 408 7583