如何在Tensorflow实现ResNet网络

最新推荐文章于 2021-11-11 22:47:18 发布

Ftwhale

最新推荐文章于 2021-11-11 22:47:18 发布

阅读量1k

点赞数

分类专栏：深度学习文章标签：卷积网络深度学习

本文链接：https://blog.csdn.net/Ftwhale/article/details/105553538

版权

本文介绍了如何在Tensorflow中实现ResNet网络，详细解析了ResNet_struct.py中的Block类、conv2d_same函数、residual_unit函数以及resnet_v2函数。通过这些函数配置了ResNet的残差学习模块，包括不同层的数量和步长，最终形成152层的ResNet网络。文章强调了残差学习单元中的卷积操作和BatchNormalization的重要性，并鼓励读者深入理解并消化这些概念。

摘要由CSDN通过智能技术生成

实现ResNet使用的也是先搭建网络，然后评价迭代耗时的方法，在这里我们把代码分成了ResNet_struct.py和ResNet_run.py，其中ResNet_struct.py用来搭建网络，ResNet_run.py用来评测网络，今天主要介绍ResNet_struct.py，我们先从搭建网络开始，导入一些需要用到的库：

在这里插入图片描述
接下来创建一个Block类，这个类用来配置残差学习模型的大小。初始化一个Block类需要传入3个参数：name、residual_unit和args。其中name就是这个残差学习模块的名称。residual_unit指的就是创建这个残差学习模块用到的函数，args指的就是残差学习模块的大小信息。
在这里插入图片描述