ResNet中残差块的理解（附代码）
原论⽂下载地址：
原代码下载地址：
⽐较完整的论⽂理解：
这⾥我只讲他的核⼼理念，残差块，也是我理解了很久的地⽅，请原谅我描述的如此⼝语化，希望能帮助⼤家理解，如果有理解的不对的地⽅，欢迎指正
生完孩子多久来月经算正常
ImageNet的⼀个更深层次的残差函数F。左图：⼀个积⽊块(56×56个特征图)，如图3所⽰，⽤于ResNet-34。右图：ResNet-
50/101/152的“瓶颈”构建块。
左边的就叫做BasicBlock，右边就叫bottleneck
我们可以看到⽅框（就是⼀个卷积层layer）中的数字33,64，表⽰什么意思呢？就是卷积的⼤⼩是33的，然后维度是64，就是特征层有64个（⼤⼩是33），叠加在⼀起就是⼀个⽅块的样⼦，那在BasicBlock中，两个层的⼤⼩是相等，所以加在⼀起是长⽅体。
世界奢侈品牌这样的话，是否就能够理解，bottleneck这个残差块的名字的由来了呢？
没错，上⾯是11，64⼤⼩的块，中间是33，64⼤⼩的块，下⾯是11，256⼤⼩的块，叠加在⼀起，是不是⼀个瓶⼦的形状，上⾯细，中间粗，下⾯细。
然后我们来看⼀下代码：
ResNet类（仅展⽰代码核⼼部分）
⼏个关键点：
1.在残差结构之前，先对原始224 x 224的图⽚处理，在经过7 x 7的⼤卷积核、BN、ReLU、最⼤池化之后得到56 x 56 x 64的feature map
2.从layer1、layer2、layer3、layer4的定义可以看出，第⼀个stage不会减⼩feature map，其余都会在stage的第⼀层⽤步长2的3 x 3卷积进⾏feature map长和宽减半
3._make_layer函数中downsample对残差结构的输⼊进⾏升维，直接1 x 1卷积再加上BN即可，后⾯BasicBlock类和Bottleneck类⽤得到
4.最后的池化层使⽤的是⾃适应平均池化，⽽⾮论⽂中的全局平均池化
def __init__(lf, block, layers, num_class=1000, zero_init_residual=Fal):
super(ResNet, lf).__init__()
lf.inplanes = 64
bias=Fal)
lf.bn1 = nn.BatchNorm2d(64)
lf.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
lf.layer1 = lf._make_layer(block, 64, layers[0])
lf.layer2 = lf._make_layer(block, 128, layers[1], stride=2)
lf.layer3 = lf._make_layer(block, 256, layers[2], stride=2)
lf.layer4 = lf._make_layer(block, 512, layers[3], stride=2)
lf.avgpool = nn.AdaptiveAvgPool2d((1, 1))
lf.fc = nn.Linear(512 * pansion, num_class)
def _make_layer(lf, block, planes, blocks, stride=1):
downsample = None
if stride != 1 or lf.inplanes != planes * pansion:
downsample = nn.Sequential(
conv1x1(lf.inplanes, planes * pansion, stride),
长叶竹柏nn.BatchNorm2d(planes * pansion),
)
layers = []
layers.append(block(lf.inplanes, planes, stride, downsample))
lf.inplanes = planes * pansion
for _ in range(1, blocks):
layers.append(block(lf.inplanes, planes))
return nn.Sequential(*layers)
def forward(lf, x):
x = lf.conv1(x)
x = lf.bn1(x)
x = lf.relu(x)
x = lf.maxpool(x)
x = lf.layer1(x)
x = lf.layer2(x)
x = lf.layer3(x)
x = lf.layer4(x)
x = lf.avgpool(x)
x = x.view(x.size(0), -1)
x = lf.fc(x)
return x
BasicBlock
expansion是残差结构中输出维度是输⼊维度的多少倍，BasicBlock没有升维，所以expansion = 1残差结构是在求和之后才经过ReLU层
lf.bn1 = nn.BatchNorm2d(planes)
lf.bn2 = nn.BatchNorm2d(planes)
lf.downsample = downsample
lf.stride = stride
def forward(lf, x):
identity = x
out = lf.conv1(x)
out = lf.bn1(out)
out = lf.relu(out)
out = lf.conv2(out)
out = lf.bn2(out)
思美人歌曲
if lf.downsample is not None:
identity = lf.downsample(x)
out += identity
小人国观后感
out = lf.relu(out)
return out
bottleneck
注意Res18、Res34⽤的是BasicBlock，其余⽤的是Bottleneck
expansion = 4，因为Bottleneck中每个残差结构输出维度都是输⼊维度的4倍
lf.bn1 = nn.BatchNorm2d(planes)
lf.bn2 = nn.BatchNorm2d(planes)
做纸花lf.bn3 = nn.BatchNorm2d(planes * lf.expansion)
lf.downsample = downsample
lf.stride = stride
def forward(lf, x):
identity = x
out = lf.conv1(x)粉玫瑰代表什么意思
out = lf.bn1(out)
out = lf.relu(out)
out = lf.conv2(out)
out = lf.bn2(out)
out = lf.relu(out)
out = lf.conv3(out)
out = lf.bn3(out)
if lf.downsample is not None:
identity = lf.downsample(x)
out += identity
out = lf.relu(out)
115网盘怎么用
return out
注意Res18、Res34⽤的是BasicBlock，其余⽤的是Bottleneck 这⾥有⼀个对block代码的详解（超级好懂）：
