残差神经网络101层（Resnt101）实现（食物分类）

目录

一、简单介绍残差神经网络

二、代码实现

1、导入库

2、创建ResNet-101模型，并修改全连接层：

3、确定需要更新的参数

4、数据转换定义

6、加载图像数据和对应的标签，并为训练和测试数据集创建了数据加载器

7、检查配置，并导入模型

8、训练集和测试集

9、设置损失函数和优化器

10、训练并测试

三、实现结果

---

一、简单介绍残差神经网络

残差神经网络（Residual Neural Network，通常缩写为ResNet）是一种深度学习神经网络架构，用于解决深度神经网络训练中的梯度消失和梯度爆炸等问题。

ResNet引入了残差块（Residual Block），这是网络的基本构建单元。每个残差块包含两个主要部分：恒等映射（Identity Mapping）和残差映射（Residual Mapping）。

在一个传统的神经网络中，每个层都会通过权重和激活函数来变换输入。在ResNet中，每个残差块尝试学习的是将输入映射到期望的输出，而不是直接学习最终的映射。这是通过在残差块中引入跳跃连接（skip connection）来实现的。

跳跃连接允许网络直接将输入添加到层的输出，从而使残差块能够学习残差的变化。这意味着即使网络增加了更多的层，也不会导致梯度消失或梯度爆炸问题，因为梯度可以通过跳跃连接轻松地传播。这使得能够构建非常深的神经网络，如数百层或更多，而不会出现训练问题。

ResNet在图像分类、目标检测、语义分割等计算机视觉任务中取得了巨大成功，成为了深度学习领域的重要突破之一。这个网络架构的核心思想是通过残差连接来让网络更深，从而提高了模型性能。

二、代码实现

1、导入库

from torch.utils.data import Dataset, DataLoader
#用于创建自定义数据集和数据加载器。
import torch
from torch import nn
#PyTorch核心库，用于深度学习模型的构建和训练。
import numpy as np
#用于处理数据的数值计算库。
from torchvision import transforms
#PyTorch中用于数据增强和预处理的工具。
from PIL import Image
#Python Imaging Library，用于图像处理。
import torchvision.models as models
#包含了许多预训练的深度学习模型，包括ResNet。

2、创建ResNet-101模型，并修改全连接层：

resnet_model = models.resnet101(weights=models.ResNet101_Weights.DEFAULT)
#创建一个ResNet-101模型，并使用默认的预训练权重。
in_features = resnet_model.fc.in_features
#获取ResNet-101最后一个全连接层的输入特征数。
resnet_model.fc = nn.Linear(in_features,20)
#将ResNet-101的全连接层替换为一个新的线性层，输出维度为20。

3、确定需要更新的参数

params_to_update = []
for param in resnet_model.parameters():
    if param.requires_grad == True:
        params_to_update.append(param)
#使用一个for循环，遍历ResNet-101模型的所有参数，并将 requires_grad 属性为True的参数添加到 params_to_update 列表中。

4、数据转换定义

data_transforms = {
#data_transfo