resnet18 pytorch_pytorch全连接层

resnet18 pytorch_pytorch全连接层创建各版本的ResNet模型,ResNet18,ResNet34,ResNet50,ResNet101,ResNet152原文地址:https://arxiv.org/pdf/1512.03385.pdf论文就不解读了,大部分解读都是翻译,看的似懂非懂,自己搞懂就行了。最近想着实现一下经典的网络结构,看了原文之后,根据原文代码结构开始实现。起初去搜了下各种版本的实现,发现很多博客都是错误百出,有些博文都发布几年了,错误还是没人发现,评论区几十号人不知道是真懂还是装懂,颇有些无奈啊。因此打算自己手动实

大家好,又见面了,我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。

Jetbrains全系列IDE稳定放心使用

创建各版本的ResNet模型,ResNet18,ResNet34,ResNet50,ResNet101,ResNet152

原文地址: https://arxiv.org/pdf/1512.03385.pdf


论文就不解读了,大部分解读都是翻译,看的似懂非懂,自己搞懂就行了。

最近想着实现一下经典的网络结构,看了原文之后,根据原文代码结构开始实现。

起初去搜了下各种版本的实现,发现很多博客都是错误百出,有些博文都发布几年了,错误还是没人发现,评论区几十号人不知道是真懂还是装懂,颇有些无奈啊。

因此打算自己手动实现网络结构,锻炼下自己的代码能力,也加深对网络结构的理解。

写完之后也很欣慰,毕竟一直认为自己是个菜鸡,最近竟然接连不断的发现很多博文的错误之处,而且很多人看后都没发现的,想想自己似乎还有点小水平。

最后在一套代码里,实现了各版本ResNet,为了方便。

其实最后还是觉得应该每个网络分开写比较好。因为不同版本的网络内部操作是有很大差异的,本文下面的代码是将ResidualBlock和 BottleNeckBlock分开写的,但是在维度的变换上差异还是很复杂,一方面想提高代码的复用性,另一方面也受制于复杂度。所以最后写出的算不上高复用性的精简代码。勉强能用。关于ResNet的结构,除各版本分开写之外,重复的block其实也可以分开写,因为BottleNeckBlock的维度变换太复杂,参数变换多,能分开就分开,复杂度小的地方可以复用。


以下是网络结构和实现代码,检验后都是对的;水平有限,如发现有错误,欢迎评论告知!

1 残差结构图

resnet18 pytorch_pytorch全连接层

2 VGG-19与ResNet34结构比较

在这里插入图片描述

3 ResNet各版本的结构

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-qLEx5XJg-1602504703995)(C:\Users\tony\AppData\Roaming\Typora\typora-user-images\image-20201012200856046.png)]

4 代码实现各版本

import torch.nn as nn
from torch.nn import functional as F
class ResNetModel(nn.Module):
""" 实现通用的ResNet模块,可根据需要定义 """
def __init__(self, num_classes=1000, layer_num=[],bottleneck = False):
super(ResNetModel, self).__init__()
#conv1
self.pre = nn.Sequential(
#in 224*224*3
nn.Conv2d(3,64,7,2,3,bias=False),   #输入通道3,输出通道64,卷积核7*7*64,步长2,根据以上计算出padding=3
#out 112*112*64
nn.BatchNorm2d(64),     #输入通道C = 64
nn.ReLU(inplace=True),   #inplace=True, 进行覆盖操作
# out 112*112*64
nn.MaxPool2d(3,2,1),    #池化核3*3,步长2,计算得出padding=1;
# out 56*56*64
)
if bottleneck:  #resnet50以上使用BottleNeckBlock
self.residualBlocks1 = self.add_layers(64, 256, layer_num[0], 64, bottleneck=bottleneck)
self.residualBlocks2 = self.add_layers(128, 512, layer_num[1], 256, 2,bottleneck)
self.residualBlocks3 = self.add_layers(256, 1024, layer_num[2], 512, 2,bottleneck)
self.residualBlocks4 = self.add_layers(512, 2048, layer_num[3], 1024, 2,bottleneck)
self.fc = nn.Linear(2048, num_classes)
else:   #resnet34使用普通ResidualBlock
self.residualBlocks1 = self.add_layers(64,64,layer_num[0])
self.residualBlocks2 = self.add_layers(64,128,layer_num[1])
self.residualBlocks3 = self.add_layers(128,256,layer_num[2])
self.residualBlocks4 = self.add_layers(256,512,layer_num[3])
self.fc = nn.Linear(512, num_classes)
def add_layers(self, inchannel, outchannel, nums, pre_channel=64, stride=1, bottleneck=False):
layers = []
if bottleneck is False:
#添加大模块首层, 首层需要判断inchannel == outchannel ?
#跨维度需要stride=2,shortcut也需要1*1卷积扩维
layers.append(ResidualBlock(inchannel,outchannel))
#添加剩余nums-1层
for i in range(1,nums):
layers.append(ResidualBlock(outchannel,outchannel))
return nn.Sequential(*layers)
else:   #resnet50使用bottleneck
#传递每个block的shortcut,shortcut可以根据是否传递pre_channel进行推断
#添加首层,首层需要传递上一批blocks的channel
layers.append(BottleNeckBlock(inchannel,outchannel,pre_channel,stride))
for i in range(1,nums): #添加n-1个剩余blocks,正常通道转换,不传递pre_channel
layers.append(BottleNeckBlock(inchannel,outchannel))
return nn.Sequential(*layers)
def forward(self, x):
x = self.pre(x)
x = self.residualBlocks1(x)
x = self.residualBlocks2(x)
x = self.residualBlocks3(x)
x = self.residualBlocks4(x)
x = F.avg_pool2d(x, 7)
x = x.view(x.size(0), -1)
return self.fc(x)
class ResidualBlock(nn.Module):
''' 定义普通残差模块 resnet34为普通残差块,resnet50为瓶颈结构 '''
def __init__(self, inchannel, outchannel, stride=1, padding=1, shortcut=None):
super(ResidualBlock, self).__init__()
#resblock的首层,首层如果跨维度,卷积stride=2,shortcut需要1*1卷积扩维
if inchannel != outchannel:
stride= 2
shortcut=nn.Sequential(
nn.Conv2d(inchannel,outchannel,1,stride,bias=False),
nn.BatchNorm2d(outchannel)
)
# 定义残差块的左部分
self.left = nn.Sequential(
nn.Conv2d(inchannel, outchannel, 3, stride, padding, bias=False),
nn.BatchNorm2d(outchannel),
nn.ReLU(inplace=True),
nn.Conv2d(outchannel, outchannel, 3, 1, padding, bias=False),
nn.BatchNorm2d(outchannel),
)
#定义右部分
self.right = shortcut
def forward(self, x):
out = self.left(x)
residual = x if self.right is None else self.right(x)
out = out + residual
return F.relu(out)
class BottleNeckBlock(nn.Module):
''' 定义resnet50的瓶颈结构 '''
def __init__(self,inchannel,outchannel, pre_channel=None, stride=1,shortcut=None):
super(BottleNeckBlock, self).__init__()
#首个bottleneck需要承接上一批blocks的输出channel
if pre_channel is None:     #为空则表示不是首个bottleneck,
pre_channel = outchannel    #正常通道转换
else:   # 传递了pre_channel,表示为首个block,需要shortcut
shortcut = nn.Sequential(
nn.Conv2d(pre_channel,outchannel,1,stride,0,bias=False),
nn.BatchNorm2d(outchannel)
)
self.left = nn.Sequential(
#1*1,inchannel
nn.Conv2d(pre_channel, inchannel, 1, stride, 0, bias=False),
nn.BatchNorm2d(inchannel),
nn.ReLU(inplace=True),
#3*3,inchannel
nn.Conv2d(inchannel,inchannel,3,1,1,bias=False),
nn.BatchNorm2d(inchannel),
nn.ReLU(inplace=True),
#1*1,outchannel
nn.Conv2d(inchannel,outchannel,1,1,0,bias=False),
nn.BatchNorm2d(outchannel),
nn.ReLU(inplace=True),
)
self.right = shortcut
def forward(self,x):
out = self.left(x)
residual = x if self.right is None else self.right(x)
return F.relu(out+residual)
if __name__ == '__main__':
# channel_nums = [64,128,256,512,1024,2048]
num_classes = 6
#layers = 18, 34, 50, 101, 152
layer_nums = [[2,2,2,2],[3,4,6,3],[3,4,6,3],[3,4,23,3],[3,8,36,3]]
#选择resnet版本,
# resnet18 ——0;resnet34——1,resnet-50——2,resnet-101——3,resnet-152——4
i = 3;
bottleneck = i >= 2   #i<2, false,使用普通的ResidualBlock; i>=2,true,使用BottleNeckBlock
model = ResNetModel(num_classes,layer_nums[i],bottleneck)
print(model)
版权声明:本文内容由互联网用户自发贡献,该文观点仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 举报,一经查实,本站将立刻删除。

发布者:全栈程序员-用户IM,转载请注明出处:https://javaforall.cn/185104.html原文链接:https://javaforall.cn

【正版授权,激活自己账号】: Jetbrains全家桶Ide使用,1年售后保障,每天仅需1毛

【官方授权 正版激活】: 官方授权 正版激活 支持Jetbrains家族下所有IDE 使用个人JB账号...

(0)
blank

相关推荐

  • ubuntu 18.04 ros melodic_ubuntu查看软件版本

    ubuntu 18.04 ros melodic_ubuntu查看软件版本1.ROS版本选择ROS是一个用于编写机器人软件的灵活框架,它集成了大量的工具、库、协议,提供了类似操作系统所提供的功能,包括硬件抽象描述、底层驱动程序管理、公用功能的执行、程序间的消息传递、程序发行包管理,可以极大简化繁杂多样的机器人平台下的复杂任务创建与稳定行为控制。ROS和Ubuntu版本安装对应关系ROS版本Ubuntu版本indigo14.04kinetic16.04melodic18.04ROS的安装方法主要有两种:软件源安装和源码编译安

  • onmouseout和onmousemove

    onmouseout和onmousemoveonmouseout和onmousemoveonmouseout事件会在鼠标指针移出指定的对象时发生。onmousemove事件会在鼠标指针移动时发生。

    2022年10月19日
  • uva 644

    uva 644第一次交用的冒泡排序,Re了,改成快排OK#include#include#include#includeusingnamespacestd;chartemp[100][10];intcmp(constvoid*_a,constvoid*_b){char*a=(char*)_a;char*b=(char*)_b

  • cdrecord光盘烧录工具

    cdrecord光盘烧录工具

  • 用计算机制作flash动画教案,Flash动画制作教案

    用计算机制作flash动画教案,Flash动画制作教案以下是出国留学网小编整理的高中信息技术《Flash动画制作》教案,供大家浏览参考。更多相关内容请关注出国留学网教案栏目。高中信息技术《Flash动画制作》教案一:课题:Flash动画制作——绘制七巧板教学目标:熟悉Flash软件的操作界面运用Flash软件绘制七巧板教学重点:绘制七巧板教学难点:如何选用合适的工具正确绘制七巧板教学方法:讲授法,演示法教学过程:一:打开Flash软件“开始”菜单―…

  • vue formdata请求_vue修改数据没有渲染到页面的原因

    vue formdata请求_vue修改数据没有渲染到页面的原因longlonglongtimenosee,最近遇到个奇葩的问题来记录下,不知道有没有小伙伴和我一样崩溃过。写了三年代码,上传这么简单的功能。第一次遇到前端入参fromData请求接口报500的问题,百度了好多资料尝试也没有解决。后台一直说我前端的问题,于是debugger一步一步查。下面来看看报错代码的流程,用你们的丰富经验和火眼金睛帮忙看下到底错在哪里了?!本项目用的是vue-cli…

    2022年10月16日

发表回复

您的电子邮箱地址不会被公开。

关注全栈程序员社区公众号