反向传播简单来说就是通过求偏导数从而更新神经网络中权重w的过程首先先简单复习一下前向传播（forward propagation）篇幅有限，bias（b）在图中就没画出来，大家知道有这么个东西就好 ，顺便再偷个懒，输出层的激活函数忘记画上去了~在正式说反向传播之前，先说两个简单的概念。

首先写一下我们这个项目的思路5.对训练集数据进行训练，得到一个权重文件.pt6.使用这个文件对测试集进行可视化结果测试。

之前已经介绍过了数据增强工具Augmentor的使用以及简单的复现U-Net网络现在我们需要将两者综合运用起来，其中还是有不少问题需要微调的。

运行成功后，在同一级文件夹下会生成一个格式与VOC2012格式一样的文件夹，里面分别存放了copy-paste之后的原图和掩膜图像。SegmentationClass下面存放的是与原图按顺序一一对应的掩膜图像，格式是png，一般来说用脚本生成的都是png。首先要制作一个自己的语义分割VOC格式数据集，这里我之前的教程有讲过，站里也有很多很详细的教程，就不赘述了。我使用的是仿VOC数据集进行复现，因

简单来说Augmentor中有很多用于数据增强的函数，这些函数可以帮助我们非常简单的实现对于原图和掩膜图片的同步增强，我们只需要设置非常简单的参数，用起来非常方便2.注意事项（必读，很重要，浪费了好多时间摸索出来的QAQ）1.需要确保图像原图和掩膜图像的命名完全一样，例如原图命名为1.png，那么掩膜图像的名字也应该叫1.png，必须一一对应2.原图和掩膜图像都必须是png文件！，不能是jpg，j

运行成功后，在同一级文件夹下会生成一个格式与VOC2012格式一样的文件夹，里面分别存放了copy-paste之后的原图和掩膜图像。SegmentationClass下面存放的是与原图按顺序一一对应的掩膜图像，格式是png，一般来说用脚本生成的都是png。首先要制作一个自己的语义分割VOC格式数据集，这里我之前的教程有讲过，站里也有很多很详细的教程，就不赘述了。我使用的是仿VOC数据集进行复现，因