resnet18 pytorch_pytorch全连接层

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

2 VGG-19与ResNet34结构比较

3 ResNet各版本的结构

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)