為了加快開發速度，使用了開源框架，開源框架有很多，這里僅選擇其中一個做介紹 -- Keras。
視頻講解：www.mooc.ai/course/549/learn?lessonid=2859
預處理
首先，也是第一步，需要做的是預處理，該步驟的目標是把圖像整理成能夠直接塞入網絡的圖片的樣子。
什么樣子的圖片格式才是一個網絡需要的呢？
- 一個是未經過處理的原始圖片；
- 一個是經過處理后，你想要得到的樣子的圖片。
比如，你未經過處理的圖像是下面的圖像的樣子（Input，X_train，X）。
然后你想要得到的輸出圖片的樣子是下面的樣子（Output，Y_train，Y）：
那么，你要做的工作來了。手動的把上面的未經過處理的圖片的整理成下面圖片的樣子（或者借助其他工具）。
而你需要注意的是，這兩張圖片的大小是一樣的（保證像素點的個數一致），因為我們要得到的神經網絡輸出圖片（也叫做掩膜圖）需要和神經網絡的輸入圖片的像素點一一對應。
神經網絡會根據某種對應法則，將上面的圖片\(X\)，映射到下面的圖片\(Y\)中，即\(Y = f(x)\) ，這個映射法則\(f\)我們無法用一個公式准確的表達，但是確實是在神經網絡內部實現了這種一一映射。如果真的要表達的話，那么只能用一個網絡結構來說明這種映射關系了。
如果下面的圖片的每個像素點都是一個概率值，那么這個圖片就是一個由概率組成的一個矩陣，也叫做概率矩陣。
接下來，需要完成的就是需要把這個圖片整理成能夠輸入網絡的形式（統一格式）：
- 統一顏色格式（RGB還是GRAYSCALE）
- 統一圖片大小（size）
- 格式化圖片名稱（file_rename）
- 設置batch_size以及其他參數（非必須）
關於這個步驟的處理過程可以先Copy預處理的代碼，該步驟用到了Keras的一個類庫：ImageDataGenerator，從這個文檔中，可以更加詳細的了解到如何使用現有的方法解決你的問題了。官方解釋的很到位，更重要的是還有實例。
開始訓練
預處理做完了，那么就開始訓練吧。
- 了解一下shape
- 制作一個網絡模型
- 用你的模型進行訓練
關於shape，是我們必須要掌握的一個常識性問題，看下圖：
看圖理解，不做解釋。
如何制作網絡模型呢？在圖像分割上，有一個目前效果較好的模型叫做U-net，可以先用他們的模型直接訓練，然后在前人的基礎上做修改，以此降低學習成本，讓成就感更高，從而促進學習興趣（有點扯）。
模型框架做（Copy）好了，怎么來使用這個模型來訓練自己的圖片呢？Keras給出了一個方法叫做fit_generator，它可以激活你的模型，開始你的訓練，里面的參數需要根據需要自己設置了，每個參數都是什么意思可以參考官方提供的幫助。這里也是有一個可以用來參考的實例代碼可以使用。
運行測試
激動人心的時刻就是當你運行了python train.py之后，接下來，就是漫長的等待它訓練完成，然后對結果進行測試。
如何使用已經建立的網絡模型進行測試？過程十分簡單，使用load_model加載已經保存的模型，然后使用predict方法進行預測。使用方式及參數說明參考官方文檔load_model和predict。這里也可以參考實際應用中使用的代碼。