ResNet18网络的具体构成

最新推荐文章于 2024-09-13 09:52:14 发布
最新推荐文章于 2024-09-13 09:52:14 发布
阅读量4.8w 收藏 273
点赞数 35
文章标签： 网络 深度学习 cnn
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/daweq/article/details/127540449
版权

一、基础
RetNet网络的基础是残差块。
以下是原始论文所给出的最基础的残差块。后续可以对单残差块进行处理，如加入池化，批量化归一等各种操作。
在这里插入图片描述

二、最基本的的ResNet18
ResNet18的基本含义是，网络的基本架构是ResNet，网络的深度是18层。但是这里的网络深度指的是网络的权重层，也就是包括池化，激活，线性层。而不包括批量化归一层，池化层。
下图就是一个ResNet18的基本网络架构，其中并未加入批量化归一和池化层。
在这里插入图片描述
该图是论文给出的不同ResNet网络的层次需求。
在这里插入图片描述

三、具体解析网络中的大小和通道的变化
在这里插入图片描述
上图就是简单的ResNet18的数据变化图。
我们可以看到假设输入数据的大小为3224224，也就是3个通道，每个通道的大小为224*224。

（1）7*7卷积层
首先根据论文中所说的首先经过一个卷积层。这个卷积层的卷积核的大小为77，步长为2，padding为3，输出通道为64。根据公式：
在这里插入图片描述
我们可以算出最后输出数据的大小为64112*112.

（2）池化层
这里通过一个最大池化层，这一层的卷积核的大小是33，步长为2，padding为1。最后输出数据的大小为6456*56
也就是说这个池化不改变数据的通道数量，而会减半数据的大小。

（3）第一个3*3卷积层
第一个卷积33卷积层，卷积核的大小为33，步长为1，padding为1。最后通过两个第一个卷积层的输出数据大小为645454，也就是这一层不改变数据的大小和通道数。

（4）第二个3*3卷积层
首先通过一个11的卷积层，并经过一个下采样。这样最后的输出数据为12828*28。也就是将输出通道翻倍，输出数据大小全部减半。

（5）第三个3*3卷积层
同样进行11卷积，和下采样。这样最后的输出为25614*14。也就是将输出通道翻倍，输出数据大小全部减半。

（6）第四个3*3卷积层
和上述同理，最后的输出为51277。也就是将输出通道翻倍，输出数据大小全部减半。

（7）平均池化层
最后输出为51211

（8）线性层

daweq
关注
图像识别-ResNet-18网络结构图示及解读
算法之美
05-22 4万+
图像识别-ResNet-18网络结构图示及解读
ResNet18深度学习记录——代码复现
diyuxiaoguaishou的博客
06-04 1559
本文主要是复现resnet18网络代码，训练自己的二分类模型，学习记录下来。
深入浅出之Resnet网络
最新发布
浩瀚之水的专栏
09-13 7148
ResNet（Residual Network，残差网络）是一种由微软亚洲研究院提出的深度神经网络结构，其核心在于通过残差连接（residual connections）解决了深层网络训练中的梯度消失和梯度爆炸问题，使得网络可以训练得更深，性能更强。
深度学习--CNN应用--VGG16网络和ResNet18网络
ssheudjbdndnjd的博客
04-18 1919
VGG论文大家有兴趣的可以去研读一下。首先呢，我们先简单了解一下VGG网络的来源自2012年AlexNet在lmageNet图片分类比赛中大获成功以来，关于深度神经网络的研究又一次如火如茶般进行;VGGNet 是由牛津大学视觉几何小组 (Visual Geometry Group,VGG)提出的一种深层卷积网络结构，他们以 7.32% 的错误率赢得了 2014年 ILSVRC 分类任务的亚军(冠军由 GoogLeNet 以 6.65% 的错误率夺得)
ResNet18详细原理（含tensorflow版源码）
Code_and516的博客
03-28 1万+
ResNet18详细原理（含tensorflow版源码）
resnet_18_structure.pdf
09-25
resnet 18 网络结构（摘要需要大于50个字节，所以请自动忽略这个括号。。。）
初始PyTorch（六+）：ResNet18的网络结构
sleepinghm的博客
03-27 5203
使用ResNet18网络结构，为了更好适配Cifar-10数据集【h*w=32*32】，所以不是完全按照renset18的参数写的。 下图是ResNet18的内部结构图。 先写内部结构：有两层的weight layer。 class ResBlk(nn.Module): def __init__(self, ch_in, ch_out, stride=1): s...
Resnet 18网络模型
Chenzhinan1219的博客
12-20 5万+
1. 残差网络：（Resnet） 残差块： 让我们聚焦于神经网络局部：如图左侧所示，假设我们的原始输入为x，而希望学出的理想映射为f(x)（作为上方激活函数的输入）。左图虚线框中的部分需要直接拟合出该映射f(x)，而右图虚线框中的部分则需要拟合出残差映射f(x)−x。 残差映射在现实中往往更容易优化。 以本节开头提到的恒等映射作为我们希望学出的理想映射f(x)，我们只需将右图虚线框内上方的加权运算（如仿射）的权重和偏置参数设成0，那么f(x)即为恒等映射。 实际中，当理想映射f(x)极接近于恒等映..
ResNet 18 网络结构
S20144144的博客
09-25 1万+
import torch from torchvision import models resnet = models.resnet18(pretrained=True) print(resnet) """ ResNet( (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=False...
ResNet-18超详细介绍！！！！
m0_64799972的博客
09-08 7万+
残差神经网络(ResNet)是由微软研究院的何恺明、张祥雨、任少卿、孙剑等人提出的。ResNet 在2015 年的ILSVRC（ImageNet Large Scale Visual Recognition Challenge）中取得了冠军。残差神经网络的主要贡献是发现了“退化现象（Degradation）”，并针对退化现象发明了 “快捷连接（Shortcut connection）”，极大的消除了深度过大的神经网络训练困难问题。下面我将一步步引出退化现象和快捷连接。
【Pytorch项目实战】之ResNet系列：resnet18、resnet34、resnet50、resnet101、resnet152
shinuone的博客
04-22 4159
该项目共有五个文件，都保存在同一个路径下：网络模型：resnet.py、附属代码1：_internally_replaced_utils.py、附属代码2：utils.py、模型实现(.py)、项目实战(.py)。
理解Resnet18的18的含义
LJC的博客
08-19 4381
18 = 17（卷积层）+ 1（全连接） 18主要指的是带有权重的，包括卷积层和全连接层，不包括池化层和BN层。 import torchvision model = torchvision.models.resnet18(pretrained=False) print(model) 具体网络结构可参考： 细节如下： ResNet( (conv1): Conv2d(3, 64, kernel_size=(7, 7), stride=(2, 2), padding=(3, 3), bias=Fals
飞桨 | 基于 Paddle 从零开始实现 Resnet18 之 模型结构
qq_39220334的博客
11-29 5773
建模 Resnet18Resnet18 的整体结构利用 paddle 实现 Resnet18导入必要的库Resnet 18 的主要部件Block + Stem + Head定义 Block 类,实现残差块Resnet18 的组成测试模型结构输出结果 Resnet18 是何恺明在论文 Deep Residual Learning for Image Recognition 中提出的一个卷积神经网络。本文将带你根据论文从头开始实现 Resnet18 模型结构。 首先，来看一下我们要实现的目标。 Resnet18
NNDL 实验六 卷积神经网络（5）使用预训练resnet18实现CIFAR-10分类
m0_51799083的博客
11-11 1273
NNDL 实验六 卷积神经网络（5）使用预训练resnet18实现CIFAR-10分类
NNDL 实验六 卷积神经网络(5) 使用预训练resnet18实现CIFAR-10分类
m0_51236133的博客
11-12 328
sy
经典CNN网络：Resnet18网络结构输入和输出
热门推荐
weixin_43999691的博客
06-15 8万+
前言 每当看到一个新的网络，总会思考，这个网络提出来有什么意义，解决了什么问题？Resnet18的提出，解决
ResNet-18結構
gesshoo的博客
02-27 5700
残差块⾥⾸先有 2 个有相同输出通道数的 3 × 3 卷积层。每 个卷积层后接⼀个批量归⼀化层和 ReLU 激活函数。然后我们通过跨层数据通路，跳过这 2 个卷积运算，将输⼊直接加在最后的 ReLU 激活函数前。这样的设计要求 2 个卷积层的输出与输⼊形状⼀样，从而可以相加。 如 果想改变通道数，就需要引⼊⼀个额外的 1 × 1 卷积层来将输⼊变换成需要的形状后再做相加运算。 import torch from torch import nn from torch....
Resnet18详细结构
qwj的博客
03-12 6013
转载自 https://zhuanlan.zhihu.com/p/163577599 Resnet18详细结构 1.根据resnet的pytorch源码绘制的resnet18的结构图， 2.注意只有layer2,layer3,layer4只在第一个BasicBlock进行downsample下采样，layer1没有下采样。 3.每个layer包含2个BasicBlock,1个BasicBlock中有2次卷积。 ...
Resnet-18网络图示理解
G果的博客
08-25 4万+
Resnet 网络简介： resnet-18 网络图示： 17个卷积层（conv）+1个全连接层（fc） 提示： BN 就是批量归一化 RELU 就是激活函数 lambda x:x 这个函数的意思是输出等于输入 identity 就是残差 1个resnet block 包含2个basic block 1个resnet block 需要添加2个残差 在resnet block之间残差形式是1*1conv，在resne
resnet18公式
06-08
ResNet（Residual Network）是一种深度残差网络，其中ResNet-18是最基础的版本之一，它在ImageNet数据集上取得了显著的性能提升。ResNet的核心思想是引入残差块（Residual Block），解决了深度网络训练过程中的梯度消失和过拟合问题。 ResNet-18的具体公式并不像传统线性模型那样有一个明确的数学公式，但我们可以解释其基本架构： 1. 残差块（Residual Block）: 由3个或更多的层组成，包括一个标准卷积层、一个ReLU激活函数、以及一个具有跳跃连接（skip connection）的卷积层。跳过连接使得输入可以直接传递到输出，即使深层网络也能够学习到从输入到输出的直接映射，降低了学习的复杂性。 2. 顺序堆叠：ResNet-18由多个残差块串联而成，一般有多个"阶段"，每个阶段包含若干个相同类型的残差块，并逐渐增加通道数。 3. 归一化层：如Batch Normalization（BN），在某些版本中可能还包括平均池化层（AvgPool）。 总结来说，ResNet-18的计算流程可以这样描述：输入 -> BN -> ReLU -> 卷积层 -> ReLU -> 卷积层 (with skip connection) -> BN -> 输出。这些模块会重复多次，形成一个深度网络。
评论 3
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值