近期看了一些关于GIL的一些内容，敲一下代码看看效果。

想看一下对于一个训练好的模型，其每一层编码阶段的可视化输出是什么样子的。我以3Dircabd肝脏血管分割为例，训练好了一个UNet模型。然后使用该模型在推理阶段使用，并可视化了每一层编码器。

对抗生成网络主要由生成网络和判别网络构成，GAN在图像领域使用较多。利用生成网络生成假的图像，然后利用判别器是否能判断该图像是假的。

图像膨胀、图像腐蚀、读取nii

cv2.MORPH_GRADIENT形态学梯度(morphgrad)，可以突出团块(blob)的边缘，保留物体的边缘轮廓。

cv2.getStructuringElement(cv2.MORPH_RECT,(7,7))介绍，请看这个博客。我简要说一下cv2.getStructuringElement，可用于构造一个特定大小和形状的结构元素，用于图像形态学处理。其中MORPH_RECT就是构造一个全1方形矩阵。代码如下

《BatchNormalizationAcceleratingDeepNetworkTrainingbyReducingInternalCovariateShift》

试着展示了肝脏每层卷积之后的结果。代码如下

我们可以利用train.csv文件信息， 再结合给定的文件路径（path）信息，可以将给定字目录下的图片名信息整合到scv文件当中。