ResNext网络结构

最新推荐文章于 2024-07-25 08:49:42 发布

浅浅ch

最新推荐文章于 2024-07-25 08:49:42 发布

阅读量1.4k

点赞数 1

分类专栏： ResNet学习文章标签：深度学习

本文链接：https://blog.csdn.net/qq_44629163/article/details/123504092

版权

ResNet学习专栏收录该内容

1 篇文章 0 订阅

订阅专栏

参考视频
ResNext相当于ResNet的升级结构，只是更新了block结构。

（一）普通卷积与组卷积

1、假设输入的特征矩阵的channel=4，那么对于每一个卷积核，它的channel要与输入特征矩阵的channel保持一致，也=4；假设输出的特征矩阵的channel=n，那么意味着我们要使用n个卷积核进行处理。
设每个卷积核的高度和宽度都是k，输入特征矩阵的channel是Cin，因为输出特征矩阵的channel=n，因此有n个卷积核。每个卷积核需要的参数个数是：k X k X Cin
普通卷积所需要的参数个数：k X k X Cin X n
在这里插入图片描述 2、假设输入的特征矩阵的channel=4，那么对于每一个卷积核，它的channel要与输入特征矩阵的channel保持一致，也=2（因为将卷积核划分成两个组）；假设输出的特征矩阵的channel=n，那么意味着我们要使用n个卷积核进行处理。（因为将卷积核划分成两组，那么每组channel=n/2）
设每个卷积核的高度和宽度都是k，输入特征矩阵的channel是Cin，将输入特征矩阵分为g组。因为输出特征矩阵的channel=n，因此每个组的每个卷积核需要的参数个数是：k X k X Cin/g
而每个组需要n/g个卷积核，因此每个组的所有卷积核需要的参数个数是：
k X k X Cin/g X n/g
因为共划分成了g个组，那么组卷积所需要的参数个数：k X k X Cin/g X n/g X g
在这里插入图片描述相当于对我们输入特征矩阵的每一个channel分配了一个channel为1的卷积核进行卷积。