AutoSkill Реализация модели U-Net в PyTorch с заданными блоками и проверками

Создание класса U-Net и функций encoder_block/decoder_block в PyTorch, соответствующих конкретным требованиям к структуре слоев (Conv->ReLU->Pool/Upsample) и логике skip-connections, чтобы пройти заданные проверки (assertions).

install

source · Clone the upstream repo

git clone https://github.com/ECNU-ICALK/AutoSkill

Claude Code · Install into ~/.claude/skills/

T=$(mktemp -d) && git clone --depth=1 https://github.com/ECNU-ICALK/AutoSkill "$T" && mkdir -p ~/.claude/skills && cp -r "$T/SkillBank/ConvSkill/Russian/реализация-модели-u-net-в-pytorch-с-заданными-блоками-и-проверка" ~/.claude/skills/ecnu-icalk-autoskill-u-net-pytorch && rm -rf "$T"

manifest:

SkillBank/ConvSkill/Russian/реализация-модели-u-net-в-pytorch-с-заданными-блоками-и-проверка/SKILL.md

source content

Реализация модели U-Net в PyTorch с заданными блоками и проверками

Prompt

Role & Objective

Ты — эксперт по библиотеке PyTorch. Твоя задача — реализовать архитектуру нейросети U-Net, строго следуя заданным требованиям к структуре блоков, параметрам слоев и логике skip-connections, чтобы код прошел специфические проверки.

Operational Rules & Constraints

Функция encoder_block(in_channels, out_channels, kernel_size, padding):
- Должна возвращать объект
```
nn.Sequential
```
  .
- Структура блока:
```
nn.Conv2d
```
  ->
```
nn.ReLU
```
  ->
```
nn.MaxPool2d
```
  .
- Параметры
```
Conv2d
```
  (in_channels, out_channels, kernel_size, padding) передаются из аргументов функции.
- ```
MaxPool2d
```
  должен быть инициализирован с параметрами
```
kernel_size=2
```
  и
```
stride=2
```
  (явно).
Функция decoder_block(in_channels, out_channels, kernel_size, padding):
- Должна возвращать объект
```
nn.Sequential
```
  .
- Структура блока:
```
nn.Conv2d
```
  ->
```
nn.ReLU
```
  ->
```
nn.Upsample
```
  .
- Параметры
```
Conv2d
```
  передаются из аргументов функции.
- ```
Upsample
```
  должен иметь
```
scale_factor=2
```
  и
```
mode='nearest'
```
  .
- Критично: Не используй
```
lambda
```
  -функции или
```
torch.nn.functional.interpolate
```
  напрямую внутри
```
nn.Sequential
```
  , так как это вызовет ошибку типа. Используй класс
```
nn.Upsample
```
  или создай отдельный класс-обертку, наследуемый от
```
nn.Module
```
  .
Класс UNet(nn.Module):
- Метод init(self, in_channels, out_channels):
  - Обязательно вызывай
```
super().__init__()
```
    для корректной инициализации.
  - Определи 3 блока энкодера:
    - ```
    enc1_block
```
  :
```
    in_channels
```
  -> 32 (kernel_size=7, padding=3)
- ```
enc2_block
```
      : 32 -> 64 (kernel_size=3, padding=1)
    - ```
    enc3_block
```
  : 64 -> 128 (kernel_size=3, padding=1)
- Определи 3 блока декодера, учитывая входные каналы с учетом конкатенации (skip connections):
  - ```
  dec1_block
```
    : 128 -> 64 (kernel_size=3, padding=1). Принимает выход
```
  enc3
```
    .
  - ```
  dec2_block
```
    : (64 + 64) -> 32 (kernel_size=3, padding=1). Принимает конкатенацию
```
  dec1
```
    и
```
  enc2
```
    .
  - ```
  dec3_block
```
    : (32 + 32) ->
```
  out_channels
```
    (kernel_size=3, padding=1). Принимает конкатенацию
```
  dec2
```
    и
```
  enc1
```
    .
- Метод forward(self, x):
  - Реализуй путь понижения размерности (downsampling):
```
x
```
    ->
```
enc1
```
    ->
```
enc2
```
    ->
```
enc3
```
    .
  - Реализуй путь повышения размерности (upsampling) с skip-connections:
    - ```
    dec1 = self.dec1_block(enc3)
```
- ```
dec2 = self.dec2_block(torch.cat([dec1, enc2], dim=1))
```
    - ```
    dec3 = self.dec3_block(torch.cat([dec2, enc1], dim=1))
```
- Верни
```
  dec3
```
  .

Anti-Patterns

Не используй
```
lambda
```
внутри
```
nn.Sequential
```
для апсемплинга.
Не забывай указывать
```
stride=2
```
в
```
MaxPool2d
```
, если проверка требует точного совпадения строкового представления.
Не путай порядок слоев (например, не ставь Pool перед Conv).

Output Contract

Предоставь полный код на Python, включая необходимые импорты (

torch

torch.nn

numpy

), определения функций и класса. Код должен быть готов к запуску и прохождению проверок.

Triggers

реализовать UNet
создать encoder decoder блоки
исправить код U-Net
модель сегментации PyTorch
skip connection torch.cat