实战：利用Pytorch复现Deep Residual Learning for Image Recognition中的 Resnet34

残差网络Resnet:Deep Residual Learning for Image Recognition 论文阅读笔记

• 在学习了resnet的论文之后，为了便于理解，变想要复现文论中34层的resnet模型。

即以下这张图：

实际上，Resnet和VGGnet的骨干网络相差无几，只是深度上更胜后者，并且增加了恒等映射(identity mapping)。

起

在复现VGG16的时候，采用的是逐层搭建，显然在此处并不可行，一共34层，每层需要正则化和激活函数，工作量相当大。

首先我们先将34层分为3部分

• 1 初始部分
• 2-33 主体部分
• 34 全连接部分

而主题部分根据通道的改变可以分为4个部分：

• 2-7 64
• 8-15 128
• 16-27 256
• 27-33 512

将每两层设置为Bottleneck:

class BottleNeck(nn.Module):
    def __init__(self,in_chanels,out_chanels,stride=1,downsample=False):
        super(BottleNeck,self).__init__()

        self.conv1=nn.Conv2d(in_chanels,out_chanels,kernel_size=3,padding=1,stride=stride)
        self.BN=nn.BatchNorm2d(out_chanels)
        self.ReLu=nn.ReLU(inplace=True)
        self.conv2=nn.Conv2d(out_chanels,out_chanels,kernel_size=3,padding=1,stride=1)
        self.downsample = downsample
        self.wi = nn.Sequential(
            nn.Conv2d(in_chanels,out_chanels,kernel_size=1,padding=0,stride=stride),
            nn.BatchNorm2d(out_chanels