为什么有的模型既能做图像分类又能做语义分割？
1.输入和输出：语义分割模型的输入是一张图片，而输出是一个像素级别的标签，指示每个像素属于哪个类别。因此，输入和输出张量的大小需要进行相应调整。
2.网络结构：分类模型的典型结构是一组全连接层，它们将输入转换为一组类别概率。在语义分割模型中，我们需要考虑更多的卷积和上采样层。例如，可以使用卷积神经网络（CNN）中的编码器-解码器结构或U-Net架构。
3.损失函数：分类任务通常使用交叉熵作为损失函数，但是在语义分割中，需要使用像像素级别的损失函数，如交叉熵损失函数和Dice Loss，来确保像素级别的准确性。
4.数据增强：由于语义分割任务需要更多的数据量，因此需要使用数据增强技术，如随机翻转、旋转和缩放等来增加数据的数量，同时保持标签信息的一致性。
5.训练策略：在训练语义分割模型时，可以使用像分段训练和迁移学习这样的技术来加速模型的训练。其中分段训练是将整个训练过程分为多个阶段，每个阶段都使用不同的学习率和数据增强技术。而迁移学习是利用预先训练好的模型，从而快速训练语义分割模型。
语义分割网络在最后做了什么？
前面都是在提取特征，不同的就是下游任务
下面是一个语义分割的标签图像
语义分割标签图像，相同颜色(像素值)的像素点代表的是同一类物体。
图中是Potsdam数据集的标签图，有6个类别，
现在假设像我们这个标签图像简单一些，只有3个类别，我们需要分割出来图片中的猫和狗，那对我们的语义分割任务来说就是总共要分3类：0 背景；1 猫；2 狗
因此，我们需要创建一个[Height, Width, N_classes]数组来表示每一个像素点的类别；
在这里 是一个[4,5,3]的数组
label[0, 0] = [1, 0, 0] 说明[0, 0]位置是背景
label[1, 1] = [0, 1, 0]说明[1, 1]这个像素点属于猫。
- 特别的，加粗的1是一个概率，经过softmax可以确定值大的为所属类别
[1, 0, 0],
[1, 0, 0],
[1, 0, 0],
[1, 0, 0],
[0, 1, 0],
[0, 0, 1],
[0, 0, 1],
...
]如这样的结果，每一行代表一个像素，每一列代表一个类别，每个元素表示该像素属于对应类别的概率
## 实际上像这样
[[0.4, 0.3, 0.3],
[0.7, 0.2, 0.1],
[0.8, 0.2, 0.0],
[0.8, 0.1, 0.1],
...
]将我们处理之后的label和预测得到的结果传给我们的损失函数就能计算出loss了，这样我们就实现了像素级的分类（即语义分割）
像素级分类代码
import torch
import torch.nn as nn
class MyModel(nn.Module):
def __init__(self, n_classes):
super(MyModel, self).__init__()
self.conv = nn.Conv2d(in_channels=..., out_channels=n_classes, kernel_size=(1,1))
self.softmax = nn.Softmax(dim=1)
def forward(self, x):
x = self.conv(x)
# 将输出张量的形状从 [batch_size, n_classes, h, w] 变为 [batch_size, n_classes, h*w]
x = x.view(x.size(0), -1, x.size(-1))
x = self.softmax(x)
return x- 解释：
这个PyTorch实现中，我们首先定义了一个自定义的神经网络模型 MyModel，其中 nn.Conv2d 表示创建一个二维卷积层，in_channels 表示输入张量的通道数，可以根据具体情况进行设置。
接着，在 forward 方法中，我们通过调用卷积层和softmax层来完成前向传播。x.view(x.size(0), -1, x.size(-1)) 表示将输出张量的形状从 [batch_size, n_classes, h, w] 变为 [batch_size, n_classes, h*w]，其中 x.size(0) 表示batch size，x.size(-1) 表示空间维度的长度。
最后，我们将输出张量 x 传入 softmax 层中，得到一个概率分布向量，表示输入样本属于不同类别的概率分布。
