本周总结----ResNet 模型

一、Resnet论文解读

以resnet34为例介绍


*图一 ：res34层整体结构 图二： resnet的尺寸通道数表

1、残差结构

主通道上输入x进入一个卷积层后做BN，做relu，在进入一个卷积层后，与侧通道（x）相加之后，一起做BN， 做relu。

这个相加不是拼接，必须要求x的维度，与主通道上做完第二次卷积后的维度相同。是矩阵里每一个参数的相加（可以理解为两个形状相同的矩阵相加）。

要保证侧通道上x（identity）的维度，在主侧相加点的维数相同，有两种办法：1）用0来填充不过的维数，2）用1*1的卷积核扩充维度。-----论文里说用2方法好

原文如下

When the dimensions increase (dotted line shortcuts
in Fig. 3), we consider two options: (A) The shortcut still
performs identity mapping, with extra zero entries padded
for increasing dimensions. This option introduces no extra
parameter; (B) The projection shortcut in Eqn.(2) is used to
match dimensions (done by 1×1 convolutions). For both
options, when the shortcuts go across feature maps of two
sizes, they are performed with a stride of 2.

2、整体结构
resnet34首先经过 7 * 7 * 64的卷积层，经过maxpool层，进入残差块，一共进入了4种类型的残差块，最后通过averagpool和 全连接层。

3、代码

*残差块代码：

• 在搭建残差块代码时，要考虑到论文中几乎都是在重复使用残差块，但由于outputsize的改变和通道深度的改变，我们无法使用一个固定参数的残差块，所以我们要想想，是不是可以设置一些变量去控制，使用同一个残差块，以满足不同的需求。

我们先思考用到的所有的参数，看看哪些是变化的哪些是不变化的-----------残差块里设计到的所有参数：

1）卷积核的尺寸------ 3*3没变，深度变了--------outchannels inchannels变；
2）一张图片的输入尺寸------ c h w变了 影响了 s 和 p------ s和p 变；
3）由于我们还要考虑identity（侧通道，图一中虚侧线）的维数变化，我们还可以添加一个变量，用它来控制我们的identity的操作；
所以！我们可以设置，inchannels，outchannels ，stride，padding，以及downsample 为变量。

class BasicBlock(nn.Module):
    def __init__(self, in_channel, out_channel, stride=1, padding=1,  downsample=None): # 用downsample来控制是否要改输入的维度，也就是图片里的dot-shortcut
        super(BasicBlock, self).__init__()
        self.conv1 = nn.