基于python实现resnet_【深度学习】基于Pytorch的ResNet实现

1. ResNet理论

残差学习基本单元：

在ImageNet上的结果：

效果会随着模型层数的提升而下降，当更深的网络能够开始收敛时，就会出现降级问题：随着网络深度的增加，准确度变得饱和(这可能不足为奇)，然后迅速降级。

ResNet模型：

2. pytorch实现

2.1 基础卷积

conv3$\times\(3 和conv1\)\times$1 基础模块

def conv3x3(in_channel, out_channel, stride=1, groups=1, dilation=1):

return nn.Conv2d(in_channel, out_channel, kernel_size=3, stride=stride, padding=dilation, groups=groups, bias=False, dilation=dilation)

def conv1x1(in_channel, out_channel, stride=1):

return nn.Conv2d(in_channel, out_channel, kernel_size=1, bias=False)

参数解释：

in_channel: 输入的通道数目

out_channel:输出的通道数目

stride, padding: 步长和补0

dilation: 空洞卷积中的参数

groups: 从输入通道到输出通道的阻塞连接数

feature size 计算：

output = (intput - filter_size + 2 x padding) / stride + 1

空洞卷积实际卷积核大小：

K = K + (K-1)x(R-1)

K 是原始卷积核大小

R 是空洞卷积参数的空洞率(普通卷积为1)

2.2 模块

- resnet34

- _resnet

- ResNet<