11 RepVGG（2021）

目录

一、 理论知识

1. Block

2. 结构重参数化

二、 代码复现

---

原文链接

repvgghttps://blog.csdn.net/qq_37541097/article/details/125692507?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522168370671316800182135676%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=168370671316800182135676&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-125692507-null-null.142%5Ev86%5Econtrol,239%5Ev2%5Einsert_chatgpt&utm_term=RepVGG&spm=1018.2226.3001.4187

以下是个人笔记，提取重点

一、 理论知识

VGG的提升版本

train和predict网络构造不同： 

图B表示RepVGG训练时的网络结构，预测采用图C的网络结构

图（B）转换到图（C）：结构重参数化

1. Block

RepVGG整个模型就是在不断堆叠RepVGG Block

图a对应stride==2时的结构；  图b对应stride==1时的结构

2. 结构重参数化

就是train结构——>predict网络结构的过程：

也就是网络块的合并

1. 为什么推理时作者要将多分支模型转换成单路模型？

更快，更省内存，更灵活

 2. 具体如何做？

且看下面此图：主要有以下四个部分

•  融合Conv2d和BN------变为1个3x3卷积

• 将1x1卷积转换成                1个3x3卷积

• 将BN转换成                        1个3x3卷积

• 多分支融合---------------------3个3x3卷积变为1个3x3卷积

（忘了就去看看视频，其实就是数学的变化，提同类项）

二、 代码复现