一个残差结构

一个weight layer由一个卷积层一个bn层组成。
当ch_in与,ch_out不等时，通过代码使得[b,ch_in,h,w] -> [b,ch_out,h,w]，把,ch_in变成,ch_out。
forward中x与out不等时，在x前加一个extra()。

我们4个block中h和w是变化的，只是在此处表达的时候没有变。

我们进行一个小测试

    blk=ResBlk(64,128)tmp=torch.randn(2,64,32,32)out=blk(tmp)print(out.shape)

我们的channel越来越大，我们的长和宽保持不变，最终导致我们的参数量越来越大。

我们需要长和宽减半，我们需要在参数部分添加stride，stride为1时，输入和输出非常接近，当为2时，有可能输出为输入的一半。

    blk=ResBlk(64,128,stride=2)tmp=torch.randn(2,64,32,32)out=blk(tmp)print(out.shape)

    blk=ResBlk(64,128,stride=4)tmp=torch.randn(2,64,32,32)out=blk(tmp)print(out.shape)

如果是match，就不会报错。

进行人为的调试：

        print('after conv:', x.shape)x=self.outlay(x)

修改参数：

        self.conv1=nn.Sequential(nn.Conv2d(3,64,kernel_size=3,stride=3,padding=0),nn.BatchNorm2d(64))# followed 4 blocks#[b,64,h,w]->[b,128,h,w]self.blk1=ResBlk(64,128,stride=2)# [b,128,h,w]->[b,2556,h,w]self.blk2=ResBlk(128,256,stride=2)# [b,256,h,w]->[b,512,h,w]self.blk3=ResBlk(256,512,stride=2)# [b,512,h,w]->[b,1024,h,w]self.blk4=ResBlk(512,512,stride=2)self.outlay=nn.Linear(512*1*1,10)

小结

整体是先对数据做一个预处理，然后进行4个block，每一个block都由2个卷积和一个短接层组成，处理过程中数据的channel会慢慢增加，但是长和宽会减少，得到(512,512)，再把这个（512）打平后送入全连接层，做一个分类的任务。这就是ResNet的一个基本结构。

代码

import torch
from torch import nn
from torch.nn import functional as Fclass ResBlk(nn.Module):'''resnet block'''def __init__(self,ch_in,ch_out,stride=1):''':param ch_in::param ch_out:'''super(ResBlk, self).__init__()self.con1=nn.Conv2d(ch_in,ch_out,kernel_size=3,stride=stride,padding=1)self.bn1=nn.BatchNorm2d(ch_out)self.con2=nn.Conv2d(ch_out,ch_out,kernel_size=3,stride=1,padding=1)self.bn2=nn.BatchNorm2d(ch_out)self.extra=nn.Sequential()if ch_out != ch_in:self.extra=nn.Sequential(nn.Conv2d(ch_in,ch_out,kernel_size=1,stride=stride),nn.BatchNorm2d(ch_out))def forward(self,x):''':param x:[b,ch,h,w]:return:'''out=F.relu(self.bn1(self.con1(x)))out=self.bn2(self.con2(out))# short cut# extra model:[b,ch_in,h,w] with [b,ch_out,h,w]out=self.extra(x)+outreturn outclass ResNet18(nn.Module):def __init__(self):super(ResNet18, self).__init__()self.conv1=nn.Sequential(nn.Conv2d(3,64,kernel_size=3,stride=3,padding=0),nn.BatchNorm2d(64))# followed 4 blocks#[b,64,h,w]->[b,128,h,w]self.blk1=ResBlk(64,128,stride=2)# [b,128,h,w]->[b,2556,h,w]self.blk2=ResBlk(128,256,stride=2)# [b,256,h,w]->[b,512,h,w]self.blk3=ResBlk(256,512,stride=2)# [b,512,h,w]->[b,1024,h,w]self.blk4=ResBlk(512,512,stride=2)self.outlay=nn.Linear(512*1*1,10)def forward(self,x):''':param x::return:'''x=F.relu(self.conv1(x))# [b,64,h,w]->[b,1024,h,w]x=self.blk1(x)x=self.blk2(x)x=self.blk3(x)x=self.blk4(x)# print('after conv:', x.shape)# x=self.outlay(x)x=F.adaptive_avg_pool2d(x,[1,1])x=x.view(x.size(0),-1)x=self.outlay(x)return xdef main():blk=ResBlk(64,128,stride=4)tmp=torch.randn(2,64,32,32)out=blk(tmp)print('block:',out.shape)x=torch.randn(2,3,32,32)model=ResNet18()out=model(x)print('resnet:',out.shape)if __name__ == '__main__':main()

Res残差结构

参考up主：https://www.bilibili.com/video/BV1J3411C7zd?vd_source=a0d4f7000e77468aec70dc618794d26f

实线与虚线的区别就是相加的维度是否相同。

对于右面，[56,56,64]与[28,28,128]维度不同，高和宽通过stride=2改变，深度64到128通过1×1的卷积核进行升维。

Resnet结构

23.卷积神经网络实战-ResNet相关推荐

【TensorFlow实战】TensorFlow实现经典卷积神经网络之ResNet
ResNet ResNet(Residual Neural Network)通过使用Residual Unit成功训练152层深的神经网络,在ILSVRC 2015比赛中获得冠军,取得3.57%的to ...
【Pytorch神经网络理论篇】 13 深层卷积神经网络介绍+池化操作+深层卷积神经网络实战
1 深层卷积神经网络概述 1.1 深层卷积神经网络模型结构图 1.1.1 深层卷积神经网络的正向结构构成剖析输入层,将每个像素作为一个特征节点输入网络. 卷积层:由多个滤波器组合而成. 池化层:将卷 ...
tensorflow卷积神经网络实战：Fashion Mnist 图像分类与人马分类
卷积神经网络实战:Fashion Mnist 图像分类与人马分类一.FashionMnist的卷积神经网络模型 1.卷积VS全连接 2.卷积网络结构 3.卷积模型结构 1)Output Shape ...
独家 | 一文带你上手卷积神经网络实战（附数据集学习资料）
原文标题:Understanding deep Convolutional Neural Networks with a practical use-case in Tensorflow and Ke ...
【卷积神经网络】ResNet翻译详解
论文题目:Deep Residual Learning for Image Recognition 论文地址:https://arxiv.org/pdf/1512.03385.pdf Pytorch官 ...
卷积神经网络实战二电机轴承故障分类
项目导论最近实验室要接一个故障分类的项目,数据主要是传感器测得的各种数据,现在先用网上的数据集学习一下怎么处理. 数据集介绍采用由凯斯西储大学轴承数据中心网站发布的电机轴承数据.此网站提供正常运行 ...
卷积神经网络实战一水果分类
主要环境配置 win10,pycharm Python3.6 keras2.2.0 numpy1.16.0 pillow8.1.1 scipy1.5.4 tensorflow-gpu1.11.0 先使 ...
TensorFlow（7）卷积神经网络实战（1）（可视化）
目录基础理论卷积卷积核与过滤器的区别一.获取数据集二.设定数据集大小.归一化三.构建卷积神经网络四.编译&&训练五.模型评估六.可视化 1.创建plt图 2.获取各卷 ...
22.卷积神经网络实战-Lenet5
目录 CIFAR10数据集介绍实例完整代码 CIFAR10数据集介绍 10类,每一类有6000张照片,50000张training,10000张test. 实例从datasets包中加载数据集, ...

23.卷积神经网络实战-ResNet

目录

一个残差结构

小结

代码

Res残差结构

Resnet结构

23.卷积神经网络实战-ResNet相关推荐

最新文章

热门文章