ResNet18-实现图像分类

图像识别

图像分类

目标检测

语义分割 

github代码：PositiveTom/Resnet18 (github.com)

残差网络构建易错点：

下面 红框一定要有，否则会报严重的error。

PyTorch中网络里面的inplace=True字段的意思_TravelingLight77的博客-CSDN博客_inplace=true

一. 原理

参见论文：何凯明：Deep Residual Learning for Image Recognition

网络结构之所以是18层（只算卷积层，全连接层），看下链接

经典CNN网络：Resnet18网络结构输入和输出_呆呆珝的博客-CSDN博客_resnet18

再来分析代码：

一个残差结构有两个卷积层 

如下便是tensorboard里面显示的一个残差块的结构。 

关于tensorboard的使用参考如下链接。

tensorboard使用记录_AutoGalaxy的博客-CSDN博客

小插曲：数据集训练的次数总结

训练集50000张图片：

总共训练135 幕（epoch）

每一幕都作相同的事：

        每一幕做的事如下：

                把50000张图片按照batch_size（128）分为390.625份

                一幕中要计算390.625次误差，也意味着要更新390.625次参数

                每一次误差的计算需要batch_size张图片

epoch代表第几幕

length表示391

iter表示迭代次数

一幕中迭代391次，两幕一共迭代782次，依次类推....

sum_loss / (i + 1)表示平均每迭代一次之后的平均损失

correct / total  total随着batch的增加而增加，128，256，384，512....

这里表示，第几幕，第几次迭代时，的正确率。

这里的平均损失，平均正确率都是以一幕为基础考虑的。

小插曲：

        神经网络epoch开始训练之前要用net.train()

            for epoch in range(pre_epoch, EPOCH):
                print('\nEpoch: %d' % (epoch + 1))
                net.train()

        神经网络开始test之前要用net.eval()

                    for data in testloader:
                        net.eval()

二. 代码

使用的库：
torchvision：处理图像数据，包含一些数据集，模型，转换函数，独立于pytorch，需要独立安装，主要由以下四部分组成

（1）torchvision.models：提供深度学习中经典的网络结构（Alex-net，ResNet，VGG，Inception）

（2）torchvision.datasets：提供常用的数据集

（3）torchvision.transforme：常用的数据预处理操作

（4）torchvisi