数据准备
原始数据：首先准备数据，参考数据来自于 ISBI 挑战的数据集。数据可以在 这里 下载到，含30张训练图、30张对应的标签。30张测试图片，均为.tif 格式文件
程序准备
程序地址：这里
程序含有2个文件，一个文件为data.py :该文件是用来将训练数据转化为.npy 格式文件，便于网络使用数据。当然还有其他功能如数据增强等，程序中已经进行了解释。另外一个文件：unet.py :该文件为unet网络结构定义与测试代码。
运行网络
首先 :运行data.py ：运行后会生成三个.npy文件 :
imgs_mask_train.npy :训练图片标签
imgs_train.npy : 训练图片
imgs_test.npy : 测试图片。注意这个测试图片是最后你要测试的图片，而非训练中测试准确率的图片，测试准确率的图片和训练图片是在一起的，训练的时候会将训练图片分配一部分用于测试准确率等。
其次 ：运行 unet.py :你需要修改的地方为第154行
model.fit(imgs_train, imgs_mask_train, batch_size=2, nb_epoch=10, verbose=1,validation_split=0.2, shuffle=True, callbacks=[model_checkpoint])
batch_size 根据你的设备来修改，即每次输入几张图片，建议2~4张。
nb_epoch=10 是训练多少次，一般20~50次。如果就30张图片的话，训练很快，几分钟就好了。
最后： test 文件夹下的图片的测试结果放在了results 文件夹下。
另外 :如果你在训练完后想再测试几张图片的话，直接将154行注释掉就行，再次运行unet.py :就会进行测试你放在test 文件夹下的图片，结果就会保存再results 文件夹下。
测试结果如下
1、纯粹用原始的30张进行训练的结果，大约87%的准确率
2、用数据增强后的处理效果
