神经网络—ResNet50网络（pytorch）

ResNet-50 是一个基于残差网络（ResNet）架构的深度卷积神经网络。其核心创新是引入了残差块（Residual Blocks），这种结构通过跳跃连接（Skip Connections）解决了深度网络中的梯度消失和退化问题，使得网络可以达到更深的层次而不会出现过拟合或梯度问题。

结构组成

1. 输入层:- 图像输入：通常是一个 224x224 像素的 RGB 图像，具有 3 个通道。
2. 初始卷积层:- 卷积层：7x7 的卷积核，64 个滤波器，步幅为 2，用于特征提取。- 批归一化层：进行归一化，提升训练的稳定性。- ReLU 激活层：引入非线性。- 最大池化层：3x3 的池化核，步幅为 2，进一步减少特征图的尺寸。
3. 残差块（Residual Blocks）:- 每个块的结构： - 卷积层：1x1、3x3 和 1x1 的卷积核，用于特征的提取和维度的变化。- 批归一化层：对每个卷积层进行归一化。- ReLU 激活层：引入非线性。- 跳跃连接：将块的输入直接加到块的输出上，确保梯度可以在反向传播中流动。- 在 ResNet-50 中，网络包含了 16 个这样的残差块，分为四个阶段： - 第一个阶段（Convolutional Block）：包括 3 个残差块，每个块有 64 个滤波器。- 第二个阶段（Bottleneck Block）：包括 4 个残差块，每个块有 128 个滤波器。- 第三个阶段（Bottleneck Block）：包括 6 个残差块，每个块有 256 个滤波器。- 第四个阶段（Bottleneck Block）：包括 3 个残差块，每个块有 512 个滤波器。
4. 全局平均池化层:- 通过平均池化将特征图的每个通道的空间维度压缩为一个单一的值，生成全局特征向量。
5. 全连接层:- 用于最终的分类任务，将全局特征向量映射到类别数上，通常跟随一个 Softmax 层进行分类。
6. Softmax 层:- 计算每个类别的概率，并用于最终的分类决策。

网络细节

• 残差块设计：- Bottleneck 结构：每个残差块由三个卷积层组成，使用 1x1 卷积降低维度，3x3 卷积处理主要特征，另一个 1x1 卷积恢复维度。- 步幅和填充：在一些块中，使用步幅为 2 的卷积来减小特征图的尺寸，并使用填充来保持输出尺寸。
• 参数量：- ResNet-50 约有 25.6 百万（2.56 x 10^7）个参数。

优势

1. 深层网络的训练：通过跳跃连接，ResNet-50 能够有效地训练非常深的网络。
2. 性能优越：在许多计算机视觉任务中，ResNet-50 提供了优秀的性能，特别是在 ImageNet 数据集上的图像分类任务。
3. 减少梯度消失：残差连接允许梯度直接传递，从而缓解了梯度消失的问题，特别是在深层网络中。

应用

• 图像分类：作为特征提取器用于图像分类任务。
• 目标检测：作为 backbone 网络用于复杂的目标检测任务。
• 图像分割：作为特征提取器用于图像分割网络。

ResNet-50 由于其结构设计和性能表现，已经成为计算机视觉领域的一个标准模型，广泛应用于各种视觉任务。

ResNet-50包含两个基础的块，即 Conv Block 和 ID Block。ResNet50 的 Conv Block 和 ID Block 的结构如下图所示。

1、resnet50的代码实现

import torch
import torch.nn as nn
class BasicBlock(nn.Module):
    expansion = 1
    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(BasicBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.downsample = downsample
        self.stride = stride
    def forward(self, x):
        identity = x
        if self.downsample is not None:
            identity = self.downsample(x)
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
        out = self.conv2(out)
        out = self.bn2(out)
        out += identity
        out = self.relu(out)
        return out
class ResNet(nn.Module):
    def __init__(self, block, layers, num_classes=1000):
        super(ResNet, self).__init__()
        self.in_channels = 64
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3, bias=False)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        self.layer1 = self._make_layer(block, 64, layers[0])
        self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
        self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
        self.layer4 = self._make_layer(block, 512, layers[3], stride=2)
        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
        self.fc = nn.Linear(512 * block.expansion, num_classes)
    def _make_layer(self, block, out_channels, blocks, stride=1):
        downsample = None
        if stride != 1 or self.in_channels != out_channels * block.expansion:
            downsample = nn.Sequential(
                nn.Conv2d(self.in_channels, out_channels * block.expansion, kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(out_channels * block.expansion),
            )
        layers = []
        layers.append(block(self.in_channels, out_channels, stride, downsample))
        self.in_channels = out_channels * block.expansion
        for _ in range(1, blocks):
            layers.append(block(self.in_channels, out_channels))
        return nn.Sequential(*layers)
    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)
        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)
        x = self.avgpool(x)
        x = torch.flatten(x, 1)
        x = self.fc(x)
        return x
def resnet50(num_classes=1000):
    return ResNet(BasicBlock, [3, 4, 6, 3], num_classes)
# 创建模型
model = resnet50(num_classes=10)  # 修改为你自己的类别数量
# 将模型移动到设备（例如 GPU）
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)
print(model)

2、使用

torchvision

提供的预定义 ResNet-50

PyTorch 的

torchvision

库中已经包含了预定义的 ResNet-50 模型。可以直接加载和使用这个模型：

import torch
import torchvision.models as models
# 加载预训练的 ResNet-50 模型
model = models.resnet50(pretrained=True)
# 如果你需要修改模型（例如改变最后的全连接层）
num_classes = 10  # 修改为你自己的类别数量
model.fc = torch.nn.Linear(model.fc.in_features, num_classes)
# 将模型移动到设备（例如 GPU）
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
model.to(device)
print(model)