d2l-ResNet

残差网络 ResNet

核心思想

神经网络的加深并不一定会带来好处。
如果复杂函数能够覆盖简单函数的区域（嵌套函数），能够确保模型的精度逐步提高。

核心思想：每个附加层应该更容易地包含原始函数$x$作为其元素之一。

残差块(residual block)：

• 原先需要拟合$f(x)$，添加了$x$之后，只需要拟合$f(x)-x$
• 在残差块中，输入可以通过跨层数据线路更快地向前传播
  

1个残差块Residual中有：

• 2个相同输出通道的 3*3 Conv层。
• 每个卷积层后接1个BN层，1个ReLU激活函数
• 跨层数据通道将输入x直接加到第2个ReLU函数之前
• 如果input_channel != output_channel，则加$x$之前需要通过1*1 Conv层变换通道数

class Residual(nn.Module):
    def __init__(self, input_channels, num_channels,
                 use_1x1conv=False, strides=1):
        super().__init__()
        self.conv1 = nn.Conv2d(input_channels, num_channels,
                               kernel_size=3, padding=1, stride=strides)
        self.conv2 = nn.Conv2d(num_channels, num_channels,
                               kernel_size=3, padding=1)
        if use_1x1conv:
            self.conv3 = nn.Conv2d(input_channels, num_channels,
                                   kernel_size=1, stride=strides)
        else:
            self.conv3 = None
        self.bn1 = nn.BatchNorm2d(num_channels)
        self.bn2 = nn.BatchNorm2d(num_channels)

    def forward(self, X):
        Y = F.relu(self.bn1(self.conv1(X)))
        Y = self.bn2(self.conv2(Y))
        if self.conv3:
            X = self.conv3(X)
        Y += X
        return F.relu(Y)

常见的ResNet架构有：

• ResNet-18
• ResNet-34
• ResNet-50
• ResNet-101
• ResNet-152

ResNet 18

ResNet 和 GoogleNet 类似，首先是1个步幅为2的7*7 Conv层，接步幅为2的 3*3 MaxPooling层

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.BatchNorm2d(64), nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

然后是4个resnet_blk，每个resnet_blk由2个残差块构成。

• 第1个 resnet_blk 因为之前使用步长为2的MaxPooling，因此无需进行高宽减半
• 第2，3，4个 resnet_blk 在第一个残差块Residual中通道翻倍、高宽减半。

def resnet_block(input_channels, num_channels, num_residuals,
                 first_block=False):
    blk = []
    for i in range(num_residuals):
        if i == 0 and not first_block:
            blk.append(Residual(input_channels, num_channels,
                                use_1x1conv=True, strides=2))
        else:
            blk.append(Residual(num_channels, num_channels))
    return blk

b2 = nn.Sequential(*resnet_block(64, 64, 2, first_block=True))
b3 = nn.Sequential(*resnet_block(64, 128, 2))
b4 = nn.Sequential(*resnet_block(128, 256, 2))
b5 = nn.Sequential(*resnet_block(256, 512, 2))

最后，ResNet加入全局平均池化层，以及全连接层输出。

net = nn.Sequential(b1, b2, b3, b4, b5,
                    nn.AdaptiveAvgPool2d((1,1)),
                    nn.Flatten(), nn.Linear(512, 10))