神经网络—ResNet50网络（pytorch）
ResNet-50 是一个基于残差网络（ResNet）架构的深度卷积神经网络。其核心创新是引入了残差块（Residual Blocks），这种结构通过跳跃连接（Skip Connections）解决了深度网络中的梯度消散和退化题目，使得网络可以达到更深的层次而不会出现过拟合或梯度题目。结构组成
[*] 输入层:
[*]图像输入：通常是一个 224x224 像素的 RGB 图像，具有 3 个通道。
[*] 初始卷积层:
[*]卷积层：7x7 的卷积核，64 个滤波器，步幅为 2，用于特征提取。
[*]批归一化层：进行归一化，提升训练的稳定性。
[*]ReLU 激活层：引入非线性。
[*]最大池化层：3x3 的池化核，步幅为 2，进一步减少特征图的尺寸。
[*] 残差块（Residual Blocks）:
[*]每个块的结构：
[*]卷积层：1x1、3x3 和 1x1 的卷积核，用于特征的提取和维度的变革。
[*]批归一化层：对每个卷积层进行归一化。
[*]ReLU 激活层：引入非线性。
[*]跳跃连接：将块的输入直接加到块的输出上，确保梯度可以在反向流传中活动。
[*]在 ResNet-50 中，网络包含了 16 个如许的残差块，分为四个阶段：
[*]第一个阶段（Convolutional Block）：包罗 3 个残差块，每个块有 64 个滤波器。
[*]第二个阶段（Bottleneck Block）：包罗 4 个残差块，每个块有 128 个滤波器。
[*]第三个阶段（Bottleneck Block）：包罗 6 个残差块，每个块有 256 个滤波器。
[*]第四个阶段（Bottleneck Block）：包罗 3 个残差块，每个块有 512 个滤波器。
[*] 全局平均池化层:
[*]通过平均池化将特征图的每个通道的空间维度压缩为一个单一的值，生玉成局特征向量。
[*] 全连接层:
[*]用于终极的分类使命，将全局特征向量映射到种别数上，通常跟随一个 Softmax 层进行分类。
[*] Softmax 层:
[*]计算每个种别的概率，并用于终极的分类决议。
网络细节
[*] 残差块设计：
[*]Bottleneck 结构：每个残差块由三个卷积层组成，利用 1x1 卷积降低维度，3x3 卷积处理主要特征，另一个 1x1 卷积恢复维度。
[*]步幅和填充：在一些块中，利用步幅为 2 的卷积来减小特征图的尺寸，并利用填充来保持输出尺寸。
[*] 参数量：
[*]ResNet-50 约有 25.6 百万（2.56 x 10^7）个参数。
上风
[*]深层网络的训练：通过跳跃连接，ResNet-50 能够有用地训练非常深的网络。
[*]性能良好：在很多计算机视觉使命中，ResNet-50 提供了良好的性能，特别是在 ImageNet 数据集上的图像分类使命。
[*]减少梯度消散：残差连接允许梯度直接传递，从而缓解了梯度消散的题目，特别是在深层网络中。
应用
[*]图像分类：作为特征提取器用于图像分类使命。
[*]目标检测：作为 backbone 网络用于复杂的目标检测使命。
[*]图像分割：作为特征提取器用于图像分割网络。
ResNet-50 由于其结构设计和性能体现，已经成为计算机视觉领域的一个标准模子，广泛应用于各种视觉使命。
ResNet-50包含两个根本的块，即 Conv Block 和 ID Block。ResNet50 的 Conv Block 和 ID Block 的结构如下图所示。
https://i-blog.csdnimg.cn/direct/7e097c11ee3b4bd6a4d569641af67957.jpeg
1、resnet50的代码实现
import torch
import torch.nn as nn
class BasicBlock(nn.Module):
expansion = 1
def __init__(self, in_channels, out_channels, stride=1, downsample=None):
super(BasicBlock, self).__init__()
self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
self.bn1 = nn.BatchNorm2d(out_channels)
self.relu = nn.ReLU(inplace=True)
self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1, bias=False)
self.bn2 = nn.BatchNorm2d(out_channels)
self.downsample = downsample
self.stride = stride
def forward(self, x):
identity = x
if self.downsample is not None:
identity = self.downsample(x)
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
out += identity
out = self.relu(out)
return out
class ResNet(nn.Module):
def __init__(self, block, layers, num_classes=1000):
super(ResNet, self).__init__()
self.in_channels = 64
self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False)
self.bn1 = nn.BatchNorm2d(64)
self.relu = nn.ReLU(inplace=True)
self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
self.layer1 = self._make_layer(block, 64, layers)
self.layer2 = self._make_layer(block, 128, layers, stride=2)
self.layer3 = self._make_layer(block, 256, layers, stride=2)
self.layer4 = self._make_layer(block, 512, layers, stride=2)
self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
self.fc = nn.Linear(512 * block.expansion, num_classes)
def _make_layer(self, block, out_channels, blocks, stride=1):
downsample = None
if stride != 1 or self.in_channels != out_channels * block.expansion:
downsample = nn.Sequential(
nn.Conv2d(self.in_channels, out_channels * block.expansion, kernel_size=1, stride=stride, bias=False),
nn.BatchNorm2d(out_channels * block.expansion),
)
layers = []
layers.append(block(self.in_channels, out_channels, stride, downsample))
self.in_channels = out_channels * block.expansion
for _ in range(1, blocks):
layers.append(block(self.in_channels, out_channels))
return nn.Sequential(*layers)
def forward(self, x):
x = self.conv1(x)
x = self.bn1(x)
x = self.relu(x)
x = self.maxpool(x)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
x = self.avgpool(x)
x = torch.flatten(x, 1)
x = self.fc(x)
return x
def resnet50(num_classes=1000):
return ResNet(BasicBlock, , num_classes)
# 创建模型
model = resnet50(num_classes=10)# 修改为你自己的类别数量
# 将模型移动到设备（例如 GPU）
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)
print(model)
2、利用 torchvision 提供的预定义 ResNet-50
PyTorch 的 torchvision 库中已经包含了预定义的 ResNet-50 模子。可以直接加载和利用这个模子：
import torch
import torchvision.models as models
# 加载预训练的 ResNet-50 模型
model = models.resnet50(pretrained=True)
# 如果你需要修改模型（例如改变最后的全连接层）
num_classes = 10# 修改为你自己的类别数量
model.fc = torch.nn.Linear(model.fc.in_features, num_classes)
# 将模型移动到设备（例如 GPU）
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)
print(model)
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]