resnet系列的输出

resnet18/34/50/101/152网络

input:torch.Size([1, 3, 224, 224])  # 输入大小
conv1:torch.Size([1, 64, 112, 112])  # 下采样2倍
maxpool:torch.Size([1, 64, 56, 56])  # 下采样4倍
layer1:torch.Size([1, 256, 56, 56])  # 下采样4倍
layer2:torch.Size([1, 512, 28, 28])  # 下采样8倍
layer3:torch.Size([1, 1024, 14, 14])  # 下采样16倍
layer4:torch.Size([1, 2048, 7, 7])  # 下采样32倍

  • 1
    点赞
  • 5
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
ResNet(深度残差网络)是一种由残差块组成的深度卷积神经网络,在输入到输出的过程中可以简化为以下流程图: 1、输入图像: 以一张图像作为输入,并将其作为输入层传入ResNet网络。 2、卷积层: 通过一系列卷积操作,提取图像的特征。每个卷积操作通常包括卷积核的滑动和特征图的计算。 3、残差块: ResNet中的核心结构是残差块,每个残差块由两个卷积层组成,包括一个恒等映射和一个捷径连接。在残差块中,通过跳过一层来学习残差函数,可以减轻梯度消失的问题。 4、全局平均池化: 在卷积层和全连接层之间进行空间降维,将特征图的维度减小到1×1,通过对特征图中所有像素值的平均计算来实现。全局平均池化能够聚焦于更加重要的特征,提升网络的泛化能力。 5、全连接层: 用来进行图像分类、目标检测等任务的最后一层,每个神经元与上一层的所有神经元相连,输出最终的分类结果。 6、Softmax激活函数: 将全连接层的输出通过softmax函数进行激活,将输出转换为0到1之间的概率值,用于多分类问题。 7、输出结果: 将最大概率的类别作为最终的预测结果,并给出对应的概率值。 综上所述,ResNet网络的输入到输出流程依次为:输入图像 -> 卷积层 -> 残差块 -> 全局平均池化 -> 全连接层 -> Softmax激活函数 -> 输出结果。这一流程经过一系列操作和层之间的连接,使得ResNet网络能够有效地提取图像的特征并进行准确的分类预测。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值