1.定義ResNet殘差模塊

一個block中，有兩個卷積層，之后的輸出還要和輸入進行相加。因此一個block的前向流程如下：

輸入x→卷積層→數(shù)據(jù)標準化→ReLU→卷積層→數(shù)據(jù)標準化→數(shù)據(jù)和x相加→ReLU→輸出out

中間加上了數(shù)據(jù)的標準化（通過nn.BatchNorm2d實現(xiàn)），可以使得效果更好一些。

①各層的定義

②前向傳播

在前向傳播中輸入x，過程中根據(jù)前向流程，調用上面定義的層即可。

如此，便定義好了一個殘差的模塊。

2.ResNet18的實現(xiàn)

此處的ResNet18并沒有涉及到太多細節(jié)，只是一個大致的內容。

在初始化的時候，定義好所需要使用的模塊，根據(jù)上面定義好的殘差模塊，調用即可。在這里使用了4次殘差模塊，將通道數(shù)從輸入的3（也就是RGB），變成了512通道。也就是最終提取的高級特征。提取完特征，直接輸入給Linear方法，得到圖片在10種圖片類型上的結果，用于預測以及損失值的求解。

①各層的定義

②前向傳播

同樣的，調用上面定義好的層，根據(jù)流程傳播即可。

3.測試ResNet18

如下圖，輸入的是2張圖，RGB，長寬均是32的數(shù)據(jù)。

通過ResNet18之后，輸出的是2張圖，每張圖對應10種類型的不同取值logits。

過程中的通道數(shù)目的轉換如下面的結果所示：3→64→128→256→512→512

過程中的尺寸轉換，根據(jù)設置的卷積核，以及步長，會有不同的結果。但總體都是為了得到更高級的特征，最終輸入全連層，得到Logits。

以上就是人工智能學習pyTorch的ResNet殘差模塊示例詳解的詳細內容，更多關于PyTorch人工智能學習ResNet殘差模塊的資料請關注本站其它相關文章！

版權聲明：本站文章來源標注為YINGSOO的內容版權均為本站所有，歡迎引用、轉載，請保持原文完整并注明來源及原文鏈接。禁止復制或仿造本網站，禁止在非maisonbaluchon.cn所屬的服務器上建立鏡像，否則將依法追究法律責任。本站部分內容來源于網友推薦、互聯(lián)網收集整理而來，僅供學習參考，不代表本站立場，如有內容涉嫌侵權，請聯(lián)系alex-e#qq.com處理。