0609-搭建ResNet网络
0609-搭建ResNet网络
pytorch完整教程目录：https://www.cnblogs.com/nickchen121/p/14662511.html
一、ResNet 网络概述
Kaiming He 的深度残差网络（ResNet）相比较传统的深度深度神经网络，解决了训练极深网络的梯度消失问题。
这里选取 ResNet34 讲解 ResNet 的网络结构，它的网络结构如下图所示：
在上述的网络中，除了最开始的卷积池化和最后的池化全连接之外，网络中有很多结构相似的单元，这些重复单元的共同点就是有个跨层直连的 shortcut。ResNet 中将一个跨层直连的单元称为 Residual block，它的结构如下图所示：
对于 Residual block，左边部分是普通的卷积网络结构，右边是直连，如果输入和输出的通道数不一致，或者它的步长不为 1，就需要有一个专门的单元将二者装换成一致的，让它们可以相加。
并且从上图可以发现 Residual block 的大小也是有规律的，在最开始的 pool 之后又连续的几个一模一样的 Residual block 单元，这些单元的通道数一样，在这里我们把这几个拥有多个 Residual block 单元的结构称作 layer，注意这个 layer 和之前介绍的 layer 不同，这里的 layer 是几个层的集合。
由于 Redisual block 和 layer 出现了很多次，我们可以把它们实现为一个子 Module 或函数。在这里我们把 Residual block 实现为一个子 Module，而让 layer 实现为一个函数。
下面我们将尽量按照这三个规则去实现 ResNet 网络：
- 对模型中的重复部分，实现为子 module 或用函数生成相应的 module
nn.Module和nn.Funcitonal结合使用- 尽量使用
nn.Sequential
二、利用 torch 实现 ResNet34 网络
import torch as t
from torch import nn
from torch.nn import functional as F
class ResidualBlock(nn.Module):
"""
实现子 module：Residual Block
"""
def __init__(self, inchannel, outchannel, stride=1, shortcut=None):
super(ResidualBlock, self).__init__()
# 由于 Residual Block 分为左右两部分，因此定义左右两边的 layer
# 定义左边
self.left = nn.Sequential(
# Conv2d 参数：in_channel,out_channel,kernel_size,stride,padding
nn.Conv2d(inchannel, outchannel, 3, stride, 1, bias=False),
nn.BatchNorm2d(outchannel),
nn.ReLU(inplace=True),
nn.Conv2d(outchannel, outchannel, 3, 1, 1, bias=False),
nn.BatchNorm2d(outchannel))
# 定义右边
self.right = shortcut
def forward(self, x):
out = self.left(x)
residual = x if self.right is None else self.right(x) # 检测右边直连的情况
out += residual
return F.relu(out)
class ResNet(nn.Module):
"""
实现主 module：ResNet34
ResNet34 包含多个 layer，每个 layer 又包含多个 residual block
用子 module 实现 residual block，用 _make_layer 函数实现 layer
"""
def __init__(self, num_classes=1000):
super(ResNet, self).__init__()
# 前几层图像转换
self.pre = nn.Sequential(
nn.Conv2d(3, 64, 7, 2, 3, bias=False),
nn.BatchNorm2d(64),
nn.ReLU(inplace=True),
nn.MaxPool2d(3, 2, 1),
)
# 重复的 layer 分别有 3，4，6，3 个 residual block
self.layer1 = self._make_layer(64, 128, 3)
self.layer2 = self._make_layer(128, 256, 4, stride=2)
self.layer3 = self._make_layer(256, 512, 6, stride=2)
self.layer4 = self._make_layer(512, 512, 3, stride=2)
# 分类用的全连接
self.fc = nn.Linear(512, num_classes)
def _make_layer(self, inchannel, outchannel, block_num, stride=1):
"""
构建 layer，包含多个 residual block
"""
shortcut = nn.Sequential(
nn.Conv2d(inchannel, outchannel, 1, stride, bias=False),
nn.BatchNorm2d(outchannel))
layers = []
layers.append(ResidualBlock(inchannel, outchannel, stride, shortcut))
for i in range(1, block_num):
layers.append(ResidualBlock(outchannel, outchannel))
return nn.Sequential(*layers)
def forward(self, x):
x = self.pre(x)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
x = F.avg_pool2d(x, 7)
x = x.view(x.size(0), -1)
return self.fc(x)
res_net = ResNet()
inp = t.autograd.Variable(t.randn(1, 3, 224, 224))
output = res_net(inp)
output.size()
torch.Size([1, 1000])
不到 50 行代码便实现了这样一个网络，看起来是那么不可思议，如果对此感兴趣的同学还可以取消尝试实现 Google 的 Inception 网络。
三、torchvision 中的 resnet34网络调用
前面我们讲过一个 hub 模块，里面存储了很多网络结构。不仅如此，和 torch 配套的图像工具包 torchvision 也实现了深度学习中的大多数经典的模型，其中就包括了 ResNet34，非常简单，可以通过以下两行代码调用这个网络：
from torchvision import models
res_net = models.resnet34()
inp = t.autograd.Variable(t.randn(1, 3, 224, 224))
output = res_net(inp)
output.size()
torch.Size([1, 1000])
本例中的 ResNet34 的实现参考了 torchvision 中的实现并做了一定的调整，有兴趣的同学可以去阅读相对应的源码。
四、第六章总结
这一章详细的介绍了 torch 中的 nn 工具箱，但是你说详细吗？又不是那么详细，还有很多很多地方我们需要去补漏，如果想深入各个部分的同学们，可以去参考官方文档。
当然，我更建议学一部分常用的基础，然后在实践中学习更加完善、更加系统的知识体系。因此，我们将在未来的实战项目中不断地巩固 nn 这个工具箱的使用。
最后，随着 nn 的落幕，torch 的地基也算是落幕了，剩下的都是一些边边角角的知识点，但是还是借用古人的一句话：路漫漫其修远兮，任重而道远。
