嗯，这不是规则，但是您可能会使用主要是2D转换层和相关层。

Well, this is not a "rule", but probably you will be using mostly 2D conv and related layers.

通常，您将所有内容作为numpy数组提供，也许会标准化这些值。常见选项为：

You feed everything as numpy arrays, as usual, maybe normalizing the values. Common options are:

• 介于0和1之间（除以255。）


• 之间- 1和1（除以255。乘以2，然后减去1）


• Caffe样式：从每个通道中减去一个特定的值，以便根据它们的通常平均值将值居中，而无需重新缩放

您的模型应以类似以下内容的开头：

Your model should start with something like:

inputTensor = Input((2048,2048,1))
output = Conv2D(filters, kernel_size, .....)(inputTensor)    

或者，在顺序模型中： model.add（Conv2D（....，input_shape =（2048,2048,1 ））

Or, in sequential models: model.add(Conv2D(...., input_shape=(2048,2048,1))

稍后，由您决定要使用的图层。

Later, it's up to you to decide which layers to use.

• Conv2D


• MaxPooling2D


• Upsampling2D

您是要创建线性模型还是要划分分支，联接分支等。

Whether you're going to create a linear model or if you're going to divide branches, join branches, etc. is also your call.

Mod U-Net 样式的els对您来说应该是一个好的开始。

Models in a U-Net style should be a good start for you.

您不能做的事情：

• 不要使用Flatten图层（实际上，可以，如果以后再调整输出以具有图像尺寸...但是为什么呢？）


• 不要使用Global Pooling图层（您不要不想牺牲您的空间尺寸）