pytorch笔记：04)resnet网络&解决输入图像大小问题

因为torchvision对resnet18-resnet152进行了封装实现，因而想跟踪下源码

首先看张核心的resnet层次结构图(图1)，它诠释了resnet18-152是如何搭建的，其中resnet18和resnet34结构类似，而resnet50-resnet152结构类似。下面先看resnet18的源码

图1

resnet18
首先是models.resnet18函数的调用

def resnet18(pretrained=False, **kwargs):
    """Constructs a ResNet-18 model.
    Args:
        pretrained (bool): If True, returns a model pre-trained on ImageNet
    """
    #[2, 2, 2, 2]和结构图[]X2是对应的
    model = ResNet(BasicBlock, [2, 2, 2, 2], **kwargs)
    if pretrained: #加载模型权重
        model.load_state_dict(model_zoo.load_url(model_urls['resnet18']))
    return model

这里涉及到了一个BasicBlock类(resnet18和34)，这样的一个结构我们称为一个block。在block内部conv都使用了padding，因此输入的in_img_size和out_img_size都是56x56，在图2右边的shortcut只需要改变输入的channel的大小，输入block的输入tensor和输出tensor就可以相加(详细内容)

图2

事实上图2是Bottleneck类(用于resnet50-152，稍后分析)，其和BasicBlock差不多，图3为图2的精简版(ps:可以把下图视为为一个box_block，即多个block叠加在一起，x3说明有3个上图一样的结构串起来)：

图3

BasicBlock类，可以对比结构图中的resnet18和resnet34，类中expansion =1，其表示block内部最后一个卷积的输出channel与第一个卷积的输出channel比值，即：
$$expansion=last\_block\_channel/first\_block\_channel$$

def conv3x3(in_planes, out_planes, stride=1):
    "3x3 convolution with padding"
    return nn.Conv2d(in_planes, out_planes, kernel_size=3, stride=stride,
                     padding=1, bias=False)
                     
class BasicBlock(nn.Module):
    expansion = 1
	#inplanes其实就是channel,叫法不同
    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(BasicBlock, self).__init__()
        self.conv1 = conv3x3(inplanes, planes, stride)
        self.bn1 = nn.BatchNorm2d(planes)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = conv3x3(planes, planes)
        self.bn2 = nn.BatchNorm2d(planes)
        self.downsample = downsample
        self.stride = stride

    def forward(self, x):
        residual = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)
		#把shortcut那的channel的维度统一
        if self.downsample is not None:
            residual = self.downsample(x)

        out += residual
        out = self.relu(out)

        return out

接下来是ResNet类，其和我们通常定义的模型差不多一个__init__()+forward()，代码有点长，我们一步步来分析：

1. 参考前面的结构图，所有的resnet的第一个conv层都是一样的，输出channel=64
2. 然后到了self.layer1 = self._make_layer(block, 64, layers[0])，这里的layers[0]=2，然后我们进入到_make_layer函数，由于stride=1或当前的输入channel和上一个块的输出channel一样，因而可以直接相加
3. self.layer2 = self._make_layer(block, 128, layers[1], stride=2)，此时planes=128而self.inplanes=64(上一个box_block的输出channel)，此时channel不一致，需要对输出的x扩维后才能相加，而downsample 实现的就是该功能(ps：这里只有box_block中的第一个block需要downsample，为何？看图4)
4. self.layer3 = self._make_layer(block, 256, layers[2], stride=2)，此时planes=256而self.inplanes=128为，此时也需要扩维后才能相加，layer4 同理。
   
   图4

图4中下标2,3,4和上面的步骤对应，图中箭头旁数值表示block输入或者输出的channel数。
具体看图4-2，上