pytorch中resnet_用Pytorch手工实现ResNet50

《吴恩达深度学习课程》第四课第二周的作业是：使用Keras和Tensorflow编写ResNet50，用程序实现题目中描述的网络结构。由于程序填空提供了不少示例，做完后仍感觉理解不透彻，又使用Pytorch实现了一遍。

ResNet50包含49个卷积层和1个全连接层，属于较大型的网络，实现起来略有难度。对于理解数据流、卷积层、残差、瓶颈层，以及对大型网络的编写和调试都有很大帮助。

网络结构

ResNet网络结构如下图所示：

代码

下面使用约100行代码实现了ResNet50网络类(可缩减至80行左右)，另外100行代码用于处理数据，训练和预测。

准备数据：

import math

import numpy as np

import h5py

import matplotlib.pyplot as plt

import scipy

from PIL import Image

from scipy import ndimage

import torch

import torch.nn as nn

from cnn_utils import *

from torch import nn,optim

from torch.utils.data import DataLoader,Dataset

from torchvision import transforms

%matplotlib inline

np.random.seed(1)

torch.manual_seed(1)

batch_size = 24

learning_rate = 0.009

num_epocher = 100

X_train_orig, Y_train_orig, X_test_orig, Y_test_orig, classes = load_dataset()

X_train = X_train_orig/255.

X_test = X_test_orig/255.

class MyData(Dataset): #继承Dataset

def __init__(self, data, y, transform=None): #__init__是初始化该类的一些基础参数

self.transform = transform #变换

self.data = data

self.y = y

def __len__(self):#返回整个数据集的大小

return len(self.data)

def __getitem__(self,index):#根据索引index返回dataset[index]

sample = self.data[index]

if self.transform:

sample = self.transform(sample)#对样本进行变换

return sample, self.y[index] #返回该样本

train_dataset = MyData(X_train, Y_train_orig[0],

transform=transforms.ToTensor())

test_dataset = MyData