RDV代码笔记-network.py部分（持续更新）

<1> increase_resolution()函数中修改resnet18步长的问题：

    def increase_resolution(self):
        """论文第6页提到：为了更精确的定位，ResNet的最后两个块的步长被降低到一个像素，提供更高的输出分辨率。"""
        global OUT_HEIGHT, OUT_WIDTH
        # 为什么传入的是一个tuple(1,1)
        # 对于Conv2d()中的stride而言，传入int类型的1意为在h和w两个维度上的步长都为1
        # 传入tuple类型的(2,1)意为在h维度上的步长为2，w维度上的步长为1
        self.basemodel.layer3[0].conv1.stride = (1,1)
        self.basemodel.layer3[0].downsample[0].stride=(1,1)  
        self.basemodel.layer4[0].conv1.stride = (1,1)
        self.basemodel.layer4[0].downsample[0].stride=(1,1)
        OUT_HEIGHT *= 4
        OUT_WIDTH  *= 4
        # 打印结果应当为：32×56
        print("using high resolution output ({}x{})".format(OUT_HEIGHT,OUT_WIDTH))

<2>warnings库

import warnings
warnings.warn('Something you want to say.')

<3>卷积输出特征图算出来是小数

        输入图像为224×224×3，送入3×3卷积层，padding=1，stride=2，按照计算公式可以发现输出特征图的高和宽都不是整数，这种情况下，我们对商进行上下取整，即输出特征图的尺寸为112×112。这种思路其实就是当卷积核在特征图上滑动时，若滑动覆盖区域（即感受野）不全位于特征图内时，不再进行卷积操作。

<4>nn.Module中parameters()方法和named_parameters()方法

        前者返回的仅仅是一个参数迭代器；后者返回的是一个tuple，既包含网络层的名称也包含网络层参数迭代器。parameter()返回的其实是named_parameters()返回的一部分，即仅仅是参数迭代器部分。

import torchvision.models as models
model = models.resnet18().cuda()
for param in model.named_parameters():
    print(type(param))
    print(type(param[0]))
    print(type(param[1]))
    print('-'*20)

# 运行结果
# <class tuple>
# <class 'str'>
# <class 'torch.nn.parameter.Parameter'>

        个人理解是，model.named_parameters()返回的是一个大元组，里面包含很多小元组，param每次遍历的就是每个小元组，即((name1,para1), (name2,para2), (name3,para3),.......)。

        这里有一篇不错的博文：named_parameters()、parameters()、state_dict()区别