pytorch 训练数据以及测试 全部代码(8) 对resnet也就是(5),(6),(7) 网络的梳理

输入:6x3x512x512

输出:6x21x512x512

pytorch 训练数据以及测试 全部代码(8) 对resnet也就是(5),(6),(7) 网络的梳理_第1张图片

resnet101是除去最后的全连接层,得到浅层的输出low_level_feature为6x256x128x128,深层的输出X为6x2048x32x32

详细的网络图如下图:

pytorch 训练数据以及测试 全部代码(8) 对resnet也就是(5),(6),(7) 网络的梳理_第2张图片

pytorch 训练数据以及测试 全部代码(8) 对resnet也就是(5),(6),(7) 网络的梳理_第3张图片

4个ASPP全部输出X1,X2,X3,X4都是6x256x32x32

global_avg_pool:输入是6x2048x32x32

self.global_avg_pool = nn.Sequential(nn.AdaptiveAvgPool2d((1, 1)),
                                     nn.Conv2d(2048, 256, 1, stride=1, bias=False),
                                     nn.BatchNorm2d(256),
                                     nn.ReLU())

输出是6x256x1x1,接着进行向上采样(upsample函数可参考https://blog.csdn.net/zz2230633069/article/details/83279626)得到X5为6x256x32x32

X1, X2, X3, X4, X5合并在一起得到X为6x1280x32x32,然后经过卷积得到6x256x32x32,经过向上采样得到6x256x128x128

左边的主线说完了,再看右边

low_level_features为6x256x128x128,经过卷积得到6x48x128x128

左右两边合并得到X为6x304x128x128

经过last_cov得到为6x21x128x128

经过upsample得到最终的输出为:6x21x512x512

最后把完整的带有输出shape的图给出,如下:

pytorch 训练数据以及测试 全部代码(8) 对resnet也就是(5),(6),(7) 网络的梳理_第4张图片

到这里,整个基于resnet101的网络就讲解完了

下面的内容就是基于xception的网络

 

 

 

 

 

 

你可能感兴趣的:(pytorch,论文)