ResNet50V2

最新推荐文章于 2024-07-18 20:20:15 发布

Tooii

最新推荐文章于 2024-07-18 20:20:15 发布

阅读量795

点赞数 20

文章标签： pytorch python 人工智能

本文链接：https://blog.csdn.net/weixin_53657683/article/details/140161154

版权

🍨 本文为🔗365天深度学习训练营中的学习记录博客
🍖 原作者：K同学啊

一、ResNetV1和ResNetV2的区别

ResNetV2 和 ResNetV1 都是深度残差网络（ResNet）的变体，它们的主要区别在于残差块的设计和批归一化（Batch Normalization, BN）的使用方式。ResNetV2 是在 ResNetV1 的基础上进行改进的一种版本，旨在提高模型的性能和稳定性。以下是它们之间的一些关键区别：

1. 残差块中的批归一化位置

ResNetV1：
在 ResNetV1 中，批归一化层位于每个卷积层的后面，ReLU 激活函数在批归一化之后。具体来说，每个残差块的顺序是：
卷积层 -> 批归一化 -> ReLU -> 卷积层 -> 批归一化 -> 加和 -> ReLU

在这里插入图片描述

ResNetV2：
在 ResNetV2 中，批归一化和 ReLU 激活函数在每个卷积层之前进行。这种改变使得信息在模型中传播得更加顺畅，减轻了梯度消失的问题。具体来说，每个残差块的顺序是：
批归一化 -> ReLU -> 卷积层 -> 批归一化 -> ReLU -> 卷积层 -> 加和

在这里插入图片描述

2. 预激活残差块

ResNetV2 引入了“预激活残差块”（Pre-activation Residual Block）的概念，即在每个残差块中的卷积操作之前进行批归一化和激活。这种设计有助于信息流动，特别是在深层网络中。

在这里插入图片描述

3. 全局平均池化和分类层

在 ResNetV1 中，最后一个残差模块的输出经过批归一化和 ReLU 激活之后，再通过全局平均池化层和全连接层进行分类。

在 ResNetV2 中，全局平均池化层和分类层之间没有额外的激活函数和归一化操作，直接对预激活的输出进行池化和分类。

4. 网络的深度和参数数量

ResNetV2 通常会采用更多的参数以提高性能，这包括在更深层次上引入更多的卷积层和更复杂的架构设计。

二、ResNetV2代码实现(PyTorch)

import torch
import torch .nn as nn
import torch.nn.functional as F

# BasicBlock用于ResNet-18和ResNet-34
class BasicBlockV2(nn.Module):
    expansion = 1

    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(BasicBlockV2, self).__init__()

        # 在卷积层之前进行批归一化和 ReLU 激活，这是 ResNetV2 的主要区别之一
        self.bn1 = nn.BatchNorm2d(in_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1, bias=False)
        self.downsample = downsample

    def forward(self, x):
        identity = x

        # 在卷积层之前进行批归一化和 ReLU 激活
        out = self.bn1(x)
        out = self.relu(out)
        out = self.conv1(out)

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

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

        out += identity

        return out

# Bottleneck用于ResNet-50, ResNet-101和ResNet-152
class BottleneckV2(nn.Module):
    expansion = 4   # 定义扩展因子

    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(BottleneckV2, self).__init__()
        # 在卷积层之前进行批归一化和 ReLU 激活，这是 ResNetV2 的主要区别之一
        self.bn1 = nn.BatchNorm2d(in_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn3 = nn.BatchNorm2d(out_channels)
        self.conv3 = nn.Conv2d(out_channels, out_channels * self.expansion, kernel_size=1, bias=False)
        self.downsample = downsample

    def forward(self, x):
        identity = x

        # 在卷积层之前进行批归一化和 ReLU 激活
        out = self.bn1(x)
        out = self.relu(out)
        out = self.conv1(out)

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

        out = self.bn3(out)
        out = self.relu(out)
        out = self.conv3(out)

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

        out += identity

        return out

class ResNetV2(nn.Module):
    def __init__(self, block, layers, num_classes=1000):
        """
        初始化ResNetV2模型

        参数:
        block: 使用的残差块类型(BasicBlockV2 或 BottleneckV2)
        layers: 每个残差模块中的残差块数量列表，例如[3, 4, 6, 3]
        num_classes: 分类任务的类别数, 默认为1000(适用于ImageNet数据集)
        """

        super(ResNetV2, self).__init__()
        self.in_channels = 64

        # 初始卷积层，7x7卷积，步幅2，填充3
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)

        # 创建四个残差模块
        self.layer1 = self._make_layer(block, 64, layers[0])
        self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
        self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
        self.layer4 = self._make_layer(block, 512, layers[3], stride=2)

        # 最后一个批归一化层，ResNetV2 的特点
        self.bn_last = nn.BatchNorm2d(512 * block.expansion)

        # 平均池化层和全连接层
        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
        self.fc = nn.Linear(512 * block.expansion, num_classes)

    def _make_layer(self, block, out_channels, blocks, stride=1):
        """
        构建残差模块

        参数:
        block: 使用的残差块类型(BasicBlockV2 或 BottleneckV2)
        out_channels: 残差块的输出通道数
        blocks: 残差块数量
        stride: 第一个残差块的步幅, 默认为1

        返回: 残差模块序列
        """

        downsample = None
        # 如果步幅不为1或输入通道数不匹配，则进行下采样
        if stride != 1 or self.in_channels != out_channels * block.expansion:
            downsample = nn.Sequential(
                nn.Conv2d(self.in_channels, out_channels * block.expansion, kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(out_channels * block.expansion),
            )

        layers = []
        # 第一个残差块，可能需要下采样
        layers.append(block(self.in_channels, out_channels, stride, downsample))
        self.in_channels = out_channels * block.expansion
        
         # 其余残差块
        for _ in range(1, blocks):
            layers.append(block(self.in_channels, out_channels))

        return nn.Sequential(*layers)

    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)

        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)

        # 最后的批归一化和 ReLU 激活
        x = self.bn_last(x)
        x = self.relu(x)

        # 全局平均池化和全连接层
        x = self.avgpool(x)
        x = torch.flatten(x, 1)
        x = self.fc(x)

        return x

def resnet18_v2(num_classes=1000):
    """构建ResNet-18模型"""
    return ResNetV2(BasicBlockV2, [2, 2, 2, 2], num_classes)

def resnet34_v2(num_classes=1000):
    """构建ResNet-34模型"""
    return ResNetV2(BasicBlockV2, [3, 4, 6, 3], num_classes)

def resnet50_v2(num_classes=1000):
    """构建ResNet-50模型"""
    return ResNetV2(BottleneckV2, [3, 4, 6, 3], num_classes)

def resnet101_v2(num_classes=1000):
    """构建ResNet-101模型"""
    return ResNetV2(BottleneckV2, [3, 4, 23, 3], num_classes)

def resnet152_v2(num_classes=1000):
    """构建ResNet-152模型"""
    return ResNetV2(BottleneckV2, [3, 8, 36, 3], num_classes)

from torchinfo import summary

model = resnet50_v2(num_classes=1000)
summary(model)

在这里插入图片描述

三、个人小结

通过对比 ResNetV1 和 ResNetV2，我们可以看出 ResNetV2 通过将批归一化和 ReLU 激活函数移动到卷积层之前，提出了预激活残差块的概念。这一改进不仅简化了梯度流动，减轻了梯度消失的问题，还提高了模型的训练稳定性和性能。本文还通过具体的代码实现，展示了如何在 PyTorch 中构建和训练 ResNetV2 模型，包括 ResNet-18, ResNet-34, ResNet-50, ResNet-101, 和 ResNet-152 各种变体。

Tooii

关注

20
点赞
踩
9

收藏

觉得还不错? 一键收藏
0
评论
ResNet50V2

ResNetV2和ResNetV1都是深度残差网络（ResNet）的变体，它们的主要区别在于残差块的设计和批归一化（Batch Normalization, BN）的使用方式。ResNetV2是在ResNetV1的基础上进行改进的一种版本，旨在提高模型的性能和稳定性。在ResNetV1中，批归一化层位于每个卷积层的后面，ReLU 激活函数在批归一化之后。在ResNetV2中，批归一化和 ReLU 激活函数在每个卷积层之前进行。这种改变使得信息在模型中传播得更加顺畅，减轻了梯度消失的问题。
复制链接

扫一扫