根据Resnet论文复现 Resnet50 Restnet101 Resnet152 pytorch实现

根据Resnet论文复现 Resnet50 Restnet101 Resnet152

Resnet的构成
在这里插入图片描述

代码

import torch
import torch.nn as nn
from torch.nn import (
    Module,
    Conv2d,
    MaxPool2d,
    AvgPool2d,
    Linear,
    Softmax,
    ReLU,
    BatchNorm2d,
    Sequential
)


def Conv1(in_channel=3, out_channel=64, kernel_size=(7, 7), stride=2, padding=3):
    return Sequential(
        Conv2d(in_channels=in_channel, out_channels=out_channel, kernel_size=kernel_size, stride=stride, padding=padding),
        MaxPool2d(kernel_size=(3, 3), stride=2, padding=1)
    )


class BottleNeck(Module):
    def __init__(self, in_channel, out_channel, stride=1, downsampling=False, expansion=4):
        super(BottleNeck, self).__init__()
        self
  • 0
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
复现ResNet的代码,你可以参考之前的文章《ResNet代码复现+超详细注释(PyTorch)》\[1\]。ResNet的基础结构灵感来自于ResNet的BottleNeck,同时也受到Inception的启发。ResNet将Residual部分分成若干个支路,这个支路的数量就是cardinality的含义。\[1\] ResNet的设计原理是为了解决网络退化的问题。它通过深度梯度回传顺畅和恒等映射来防止梯度消失,同时使用skip connection来让模型自行选择是否更新,以弥补线性结构网络造成的信息损失。此外,ResNet还解决了传统多层卷积造成的相邻像素梯度的局部相关性问题。\[2\]如果你想复现ResNet50的代码,可以参考《Resnet50代码复现》的文章。\[3\]希望这些资料对你有帮助! #### 引用[.reference_title] - *1* [ResNeXt代码复现+超详细注释(PyTorch)](https://blog.csdn.net/weixin_43334693/article/details/128664382)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] - *2* *3* [卷积神经网络学习—Resnet50论文精读+pytorch代码复现)](https://blog.csdn.net/weixin_54338498/article/details/125590669)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v91^insertT0,239^v3^insert_chatgpt"}} ] [.reference_item] [ .reference_list ]

“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
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