人工智能学习pyTorch的ResNet残差模块示例详解

目录

• 1.定义ResNet残差模块
• ①各层的定义
• ②前向传播
• 2.ResNet18的实现
• ①各层的定义
• ②前向传播
• 3.测试ResNet18

1.定义ResNet残差模块

一个block中，有两个卷积层，之后的输出还要和输入进行相加。因此一个block的前向流程如下：

输入x→卷积层→数据标准化→ReLU→卷积层→数据标准化→数据和x相加→ReLU→输出out

中间加上了数据的标准化（通过nn.BatchNorm2d实现），可以使得效果更好一些。

①各层的定义

②前向传播

在前向传播中输入x，过程中根据前向流程，调用上面定义的层即可。

如此，便定义好了一个残差的模块。

2.ResNet18的实现

此处的ResNet18并没有涉及到太多细节，只是一个大致的内容。

在初始化的时候，定义好所需要使用的模块，根据上面定义好的残差模块，调用即可。在这里使用了4次残差模块，将通道数从输入的3（也就是RGB），变成了512通道。也就是最终提取的高级特征。提取完特征，直接输入给Linear方法，得到图片在10种图片类型上的结果，用于预测以及损失值的求解。

①各层的定义

②前向传播

同样的，调用上面定义好的层，根据流程传播即可。

3.测试ResNet18

如下图，输入的是2张图，RGB，长宽均是32的数据。

通过ResNet18之后，输出的是2张图，每张图对应10种类型的不同取值logits。

过程中的通道数目的转换如下面的结果所示：3→64→128→256→512→512

过程中的尺寸转换，根据设置的卷积核，以及步长，会有不同的结果。但总体都是为了得到更高级的特征，最终输入全连层，得到Logits。

以上就是人工智能学习pyTorch的ResNet残差模块示例详解的详细内容，更多关于PyTorch人工智能学习ResNet残差模块的资料请关注脚本之家其它相关文章！