ResNet || 基于PyTorch的代码实现 + 迁移学习

写在前面：上一篇博文介绍了ResNet 、 Batch Normalization 、 迁移学习的原理，有兴趣的小伙伴可以一起学习！

这里是引用

1 class Basicblock

• 这里对应的是18-layer、34-layer 的结构
  

class BasicBlock(nn.Module):
    expansion = 1  # 标识主分支上的kernel个数是否发生变化

    def __init__(self, in_channel, out_channel, stride=1, downsample=None, **kwargs):
        super(BasicBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel,
                               kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channel)
        self.relu = nn.ReLU()
        self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel,
                               kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channel)
        self.downsample = downsample

    def forward(self, x):
        identity = x
        if self.downsample is not None:
            identity = self.downsample(x)

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        out += identity
        out = self.relu(out)

        return out

1.0 expansions是什么

• 如下图所示，在 18-layer 中，卷积核的个数是不变的，而在 50-layer 中， 卷积核的个数是变化的。
• 不变代表的是 expansion = 1
  

1.1 输入的参数

1. in_channel : 输入特征矩阵的 深度
2. out_channel : 输出特征矩阵的 深度，对应的就是卷积核的个数
3. stride : 1×1 的卷积核
4. downsample : 下采样为None，就是定义的虚线部分，这个BasicBlock 要同时能够表示 实线的resnet 和虚线的ResNet
   

1.2 conv1层的参数

1. in_channels : 输入特征矩阵的深度
2. out_channels : 输出特征矩阵的深度
3. kernel_size : 卷积核的尺寸
4. stride : 步长
5. padding : 填零
6. bias : 一般是不需要偏置的，如果是使用了BN就不能使用bias了
7. 其余的就类似

1.3 forward函数

1. identity : 就是捷径上的输出值，首先赋值为x
2. 然后就是先经过一个conv1卷积，然后BN，然后relu，然后conv2卷积，然后BN，然后相加，然后relu输出

2 class Bottleneck