PyTorch详解经典网络ResNet实现流程

简述

GoogleNet 和 VGG 等网络证明了，更深度的网络可以抽象出表达能力更强的特征，进而获得更强的分类能力。在深度网络中，随之网络深度的增加，每层输出的特征图分辨率主要是高和宽越来越小，而深度逐渐增加。

深度的增加理论上能够提升网络的表达能力，但是对于优化来说就会产生梯度消失的问题。在深度网络中，反向传播时，梯度从输出端向数据端逐层传播，传播过程中，梯度的累乘使得近数据段接近0值，使得网络的训练失效。

为了解决梯度消失问题，可以在网络中加入BatchNorm，激活函数换成ReLU，一定程度缓解了梯度消失问题。

深度增加的另一个问题就是网络的退化（Degradation of deep network）问题。即，在现有网络的基础上，增加网络的深度，理论上，只有训练到最佳情况，新网络的性能应该不会低于浅层的网络。因为，只要将新增加的层学习成恒等映射（identity mapping）就可以。换句话说，浅网络的解空间是深的网络的解空间的子集。但是由于Degradation问题，更深的网络并不一定好于浅层网络。

Residual模块的想法就是认为的让网络实现这种恒等映射。如图，残差结构在两层卷积的基础上，并行添加了一个分支，将输入直接加到最后的ReLU激活函数之前，如果两层卷积改变大量输入的分辨率和通道数，为了能够相加，可以在添加的分支上使用1x1卷积来匹配尺寸。

残差结构

ResNet网络有两种残差块，一种是两个3x3卷积，一种是1x1，3x3，1x1三个卷积网络串联成残差模块。

PyTorch 实现：

class Residual_1(nn.Module):
   r"""
   18-layer, 34-layer 残差块
   1. 使用了类似VGG的3×3卷积层设计；
   2. 首先使用两个相同输出通道数的3×3卷积层，后接一个批量规范化和ReLU激活函数；
   3. 加入跨过卷积层的通路，加到最后的ReLU激活函数前；
   4. 如果要匹配卷积后的输出的尺寸和通道数，可以在加入的跨通路上使用1×1卷积；
   """
   def __init__(self, input_channels, num_channels, use_1x1conv=False, strides=1):
       r"""
       parameters:
           input_channels: 输入的通道上数
           num_channels: 输出的通道数
           use_1x1conv: 是否需要使用1x1卷积控制尺寸
           stride: 第一个卷积的步长
       """
       super().__init__()
       # 3×3卷积，strides控制分辨率是否缩小
       self.conv1 = nn.Conv2d(input_channels,
                              num_channels,
                              kernel_size=3,
                              padding=1,
                              stride=strides)
       # 3×3卷积，不改变分辨率
       self.conv2 = nn.Conv2d(num_channels,
                              num_channels,
                              kernel_size=3,
                              padding=1)
       # 使用 1x1 卷积变换输入的分辨率和通道
       if use_1x1conv:
           self.conv3 = nn.Conv2d(input_channels,
                                  num_channels,
                                  kernel_size=1,
                                  stride=strides)
       else:
           self.conv3 = None
       # 批量规范化层
       self.bn1 = nn.BatchNorm2d(num_channels)
       self.bn2 = nn.BatchNorm2d(num_channels)
   def forward(self, X):
       Y = F.relu(self.bn1(self.conv1(X)))
       Y = self.bn2(self.conv2(Y))
       if self.conv3:
           X = self.conv3(X)
       # print(X.shape)
       Y += X
       return F.relu(Y)

class Residual_2(nn.Module):
   r"""
   50-layer, 101-layer, 152-layer 残差块
   1. 首先使用1x1卷积，ReLU激活函数；
   2. 然后用3×3卷积层，在接一个批量规范化，ReLU激活函数；
   3. 再接1x1卷积层；
   4. 加入跨过卷积层的通路，加到最后的ReLU激活函数前；
   5. 如果要匹配卷积后的输出的尺寸和通道数，可以在加入的跨通路上使用1×1卷积；
   """
   def __init__(self, input_channels, num_channels, use_1x1conv=False, strides=1):
       r"""
       parameters:
           input_channels: 输入的通道上数
           num_channels: 输出的通道数
           use_1x1conv: 是否需要使用1x1卷积控制尺寸
           stride: 第一个卷积的步长
       """
       super().__init__()
       # 1×1卷积，strides控制分辨率是否缩小
       self.conv1 = nn.Conv2d(input_channels,
                              num_channels,
                              kernel_size=1,
                              padding=1,
                              stride=strides)
       # 3×3卷积，不改变分辨率
       self.conv2 = nn.Conv2d(num_channels,
                              num_channels,
                              kernel_size=3,
                              padding=1)
       # 1×1卷积，strides控制分辨率是否缩小
       self.conv3 = nn.Conv2d(input_channels,
                              num_channels,
                              kernel_size=1,
                              padding=1)
       # 使用 1x1 卷积变换输入的分辨率和通道
       if use_1x1conv:
           self.conv3 = nn.Conv2d(input_channels,
                                  num_channels,
                                  kernel_size=1,
                                  stride=strides)
       else:
           self.conv3 = None
       # 批量规范化层
       self.bn1 = nn.BatchNorm2d(num_channels)
       self.bn2 = nn.BatchNorm2d(num_channels)
   def forward(self, X):
       Y = F.relu(self.bn1(self.conv1(X)))
       Y = F.relu(self.bn2(self.conv2(Y)))
       Y = self.conv3(Y)
       if self.conv3:
           X = self.conv3(X)
       # print(X.shape)
       Y += X
       return F.relu(Y)

ResNet有不同的网络层数，比较常用的是50-layer，101-layer，152-layer。他们都是由上述的残差模块堆叠在一起实现的。

以18-layer为例，层数是指：首先，conv_1 的一层7x7卷积，然后conv_2~conv_5四个模块，每个模块两个残差块，每个残差块有两层的3x3卷积组成，共4×2×2=16层，最后是一层分类层(fc)，加总一起共1+16+1=18层。

18-layer 实现

首先定义由残差结构组成的模块：

# ResNet模块
def resnet_block(input_channels, num_channels, num_residuals, first_block=False):
   r"""残差块组成的模块"""
   blk = []
   for i in range(num_residuals):
       if i == 0 and not first_block:
           blk.append(Residual_1(input_channels,
                               num_channels,
                               use_1x1conv=True,
                               strides=2))
       else:
           blk.append(Residual_1(num_channels, num_channels))
   return blk

定义18-layer的最开始的层：

# ResNet的前两层：
#    1. 输出通道数64， 步幅为2的7x7卷积层
#    2. 步幅为2的3x3最大汇聚层
conv_1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                  nn.BatchNorm2d(64),
                  nn.ReLU(),
                  nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

定义残差组模块：

# ResNet模块
conv_2 = nn.Sequential(*resnet_block(64, 64, 2, first_block=True))
conv_3 = nn.Sequential(*resnet_block(64, 128, 2))
conv_4 = nn.Sequential(*resnet_block(128, 256, 2))
conv_5 = nn.Sequential(*resnet_block(256, 512, 2))

ResNet 18-layer模型：

net = nn.Sequential(conv_1, conv_2, conv_3, conv_4, conv_5,
                   nn.AdaptiveAvgPool2d((1, 1)),
                   nn.Flatten(),
                   nn.Linear(512, 10))
# 观察模型各层的输出尺寸
X = torch.rand(size=(1, 1, 224, 224))
for layer in net:
   X = layer(X)
   print(layer.__class__.__name__,'output shape:\t', X.shape)

输出：

Sequential output shape:     torch.Size([1, 64, 56, 56])
Sequential output shape:     torch.Size([1, 64, 56, 56])
Sequential output shape:     torch.Size([1, 128, 28, 28])
Sequential output shape:     torch.Size([1, 256, 14, 14])
Sequential output shape:     torch.Size([1, 512, 7, 7])
AdaptiveAvgPool2d output shape:     torch.Size([1, 512, 1, 1])
Flatten output shape:     torch.Size([1, 512])
Linear output shape:     torch.Size([1, 10])

在数据集训练

def load_datasets_Cifar10(batch_size, resize=None):
   trans = [transforms.ToTensor()]
   if resize:
       transform = trans.insert(0, transforms.Resize(resize))
   trans = transforms.Compose(trans)
   train_data = torchvision.datasets.CIFAR10(root="../data", train=True, transform=trans, download=True)
   test_data = torchvision.datasets.CIFAR10(root="../data", train=False, transform=trans, download=True)
   print("Cifar10 下载完成...")
   return (torch.utils.data.DataLoader(train_data, batch_size, shuffle=True),
           torch.utils.data.DataLoader(test_data, batch_size, shuffle=False))
def load_datasets_FashionMNIST(batch_size, resize=None):
   trans = [transforms.ToTensor()]
   if resize:
       transform = trans.insert(0, transforms.Resize(resize))
   trans = transforms.Compose(trans)
   train_data = torchvision.datasets.FashionMNIST(root="../data", train=True, transform=trans, download=True)
   test_data = torchvision.datasets.FashionMNIST(root="../data", train=False, transform=trans, download=True)
   print("FashionMNIST 下载完成...")
   return (torch.utils.data.DataLoader(train_data, batch_size, shuffle=True),
           torch.utils.data.DataLoader(test_data, batch_size, shuffle=False))
def load_datasets(dataset, batch_size, resize):
   if dataset == "Cifar10":
       return load_datasets_Cifar10(batch_size, resize=resize)
   else:
       return load_datasets_FashionMNIST(batch_size, resize=resize)
train_iter, test_iter = load_datasets("", 128, 224) # Cifar10

来源：https://blog.csdn.net/weixin_43276033/article/details/124564891