pytorch-Resnet网络

残差网络：将输入层与输出层进行连接，保证了经过这层网路结构，网络的运算能力不会出现较大的改变

 

网络解析：

第一层网络: 输入网络经过一个卷积层，再经过一个batch_normalize, 再经过一个relu层

第二层网络；经过一层卷积层，将卷积后的网络与原输入数据进行对应位置相加操作, 将加和后的网络进行batch_normalize, 再经过一层relu 

import torch
from torch import nn


def conv3x3(in_planes, out_planes, stride=1):
   
    return nn.Conv2d(in_planes, out_planes, kernel_size=3, stride=1, padding=1, bias=False)  # 定义卷积层
 

class BasicBlock(nn.Module):
    def __init__(self, inplanes, outplanes, stride, downsample=None):
        super(BasicBlock, self).__init__() 
        self.conv1 = conv3x3(inplanes, outplanes, stride=stride)  # 第一个卷积
        self.bn = nn.BatchNorm2d(outplanes) # 定义batch_norm层
        self.relu = nn.ReLU(inplace=True) # 定义激活层
        self.conv2 = conv3x3(outplanes, outplanes, stride=stride) # 第二个卷积
        self.bn2 = nn.BatchNorm1d(outplanes) # 进行标准化操作
        self.downsample = downsample # 进行维度的降低, 通常使用卷积操作来进行维度的降低

    def forward(self, x):
 
        residual = x   # 原始的残差模块 

        x = self.conv1(x)  # 第一次卷积
        x = self.bn(x) # 归一化操作
        x = self.relu(x) # 激活操作
 
        x = self.conv2(x) # 第二次卷积
        out = self.bn2(x) # 归一化操作

        if self.downsample is not None:
            residual = self.downsample(x) # 是否需要对原始的样本做降采样操作

        out += residual # 进行加和操作
        out = self.relu(out) # 进行激活操作

        return out