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。

1、resnet50的代码实现

1. import torch
2. import torch.nn as nn
4. class BasicBlock(nn.Module):
5.     expansion = 1
7.     def __init__(self, in_channels, out_channels, stride=1, downsample=None):
8.         super(BasicBlock, self).__init__()
9.         self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
10.         self.bn1 = nn.BatchNorm2d(out_channels)
11.         self.relu = nn.ReLU(inplace=True)
12.         self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1, bias=False)
13.         self.bn2 = nn.BatchNorm2d(out_channels)
14.         self.downsample = downsample
15.         self.stride = stride
17.     def forward(self, x):
18.         identity = x
20.         if self.downsample is not None:
21.             identity = self.downsample(x)
23.         out = self.conv1(x)
24.         out = self.bn1(out)
25.         out = self.relu(out)
26.         out = self.conv2(out)
27.         out = self.bn2(out)
29.         out += identity
30.         out = self.relu(out)
32.         return out
34. class ResNet(nn.Module):
35.     def __init__(self, block, layers, num_classes=1000):
36.         super(ResNet, self).__init__()
37.         self.in_channels = 64
38.         self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False)
39.         self.bn1 = nn.BatchNorm2d(64)
40.         self.relu = nn.ReLU(inplace=True)
41.         self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
42.         self.layer1 = self._make_layer(block, 64, layers[0])
43.         self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
44.         self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
45.         self.layer4 = self._make_layer(block, 512, layers[3], stride=2)
46.         self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
47.         self.fc = nn.Linear(512 * block.expansion, num_classes)
49.     def _make_layer(self, block, out_channels, blocks, stride=1):
50.         downsample = None
51.         if stride != 1 or self.in_channels != out_channels * block.expansion:
52.             downsample = nn.Sequential(
53.                 nn.Conv2d(self.in_channels, out_channels * block.expansion, kernel_size=1, stride=stride, bias=False),
54.                 nn.BatchNorm2d(out_channels * block.expansion),
55.             )
57.         layers = []
58.         layers.append(block(self.in_channels, out_channels, stride, downsample))
59.         self.in_channels = out_channels * block.expansion
60.         for _ in range(1, blocks):
61.             layers.append(block(self.in_channels, out_channels))
63.         return nn.Sequential(*layers)
65.     def forward(self, x):
66.         x = self.conv1(x)
67.         x = self.bn1(x)
68.         x = self.relu(x)
69.         x = self.maxpool(x)
71.         x = self.layer1(x)
72.         x = self.layer2(x)
73.         x = self.layer3(x)
74.         x = self.layer4(x)
76.         x = self.avgpool(x)
77.         x = torch.flatten(x, 1)
78.         x = self.fc(x)
80.         return x
82. def resnet50(num_classes=1000):
83.     return ResNet(BasicBlock, [3, 4, 6, 3], num_classes)
85. # 创建模型
86. model = resnet50(num_classes=10)  # 修改为你自己的类别数量
88. # 将模型移动到设备（例如 GPU）
89. device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
90. model.to(device)
92. print(model)

复制代码

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：

1. import torch
2. import torchvision.models as models
4. # 加载预训练的 ResNet-50 模型
5. model = models.resnet50(pretrained=True)
7. # 如果你需要修改模型（例如改变最后的全连接层）
8. num_classes = 10  # 修改为你自己的类别数量
9. model.fc = torch.nn.Linear(model.fc.in_features, num_classes)
11. # 将模型移动到设备（例如 GPU）
12. device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
13. model.to(device)
15. print(model)

复制代码

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。