lenet5跑cifar_pytorch识别CIFAR10：训练ResNet-34（微调网络，准确率提升到85%）

版权声明：本文为博主原创文章，欢迎转载，并请注明出处。联系方式：[email protected]

在前一篇中的ResNet-34残差网络，经过训练准确率只达到80%。

这里对网络做点小修改，在最开始的卷积层中用更小(3*3)的卷积核，并且不缩小图片尺寸，相应的最后的平均池化的核改为4*4。

具体修改如下：

1 classResNet34(nn.Module):2 def __init__(self, block):3 super(ResNet34, self).__init__()4

5 #初始卷积层核池化层

6 self.first =nn.Sequential(7 #卷基层1：3*3kernel，1stride，1padding，outmap：32-3+1*2 / 1 + 1，32*32

8 nn.Conv2d(3, 64, 3, 1, 1),9 nn.BatchNorm2d(64),10 nn.ReLU(inplace=True),11

12 #最大池化，3*3kernel，1stride(保持尺寸)，1padding，

13 #outmap：32-3+2*1 / 1 + 1，32*32

14 nn.MaxPool2d(3, 1, 1)15 )16

17 #第一层，通道数不变

18 self.layer1 = self.make_layer(block, 64, 64, 3, 1)19

20 #第2、3、4层，通道数*2，图片尺寸/2

21 self.layer2 = self.make_layer(block, 64, 128, 4, 2) #输出16*16

22 self.layer3 = self.make_layer(block, 128, 256, 6, 2) #输出8*8

23 self.layer4 = self.make_layer(block, 256, 512, 3, 2) #输出4*4

24

25 self.avg_pool = nn.AvgPool2d(4) #输出512*1

26 self.fc = nn.Linear(512, 10)

运行结果：

Files already downloaded and verified

ResNet34(

(first): Sequential(

(0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))

(1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)

(2): ReLU(inplace)

(3): MaxPool2d(kernel_size=3, stride=1, padding=1, dilation=1, ceil_mode=False)

)

(layer1): Sequential(

(0): ResBlock(

(conv1): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))

(bn1): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)

(relu): ReLU(inplace)

(conv2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))

(bn2): BatchNorm2d(64, eps=1e-05, momentum=0.1, affine