使用PyTorch实现resnet-18分类CIFAR-10

昨天看完了resnet的论文，今天试着来实现一下。

先放一个resnet18的模型图：

模块引入

# 模块引入

import torch
import torchvision
import torchvision.transforms as transforms
import torch.nn as nn
import torch.nn.functional as F
import torch.optim as optim

数据导入

# 数据导入

transform = transforms.Compose([transforms.ToTensor(),
                                transforms.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))])

trainset = torchvision.datasets.CIFAR10(root='./data',train=True,
                                        download=True,transform=transform)
trainloader = torch.utils.data.DataLoader(trainset,batch_size=4,
                                          shuffle=True,num_workers=2)

testset = torchvision.datasets.CIFAR10(root='./data',train=False,
                                       download=True,transform=transform)
testloader = torch.utils.data.DataLoader(testset,batch_size=4,
                                        shuffle=False,num_workers=2)

classes = ('plane','car','bird','cat','deer','dog','frog','horse','ship','truck')
class_nums = 10

定义block类

正式准备开始写模型后遇到的第一个问题就是如何表示short connection，一个最直观的想法是，手动编写每一层，然后注意保存输入x，在适当的时候把它进行处理，然后加到输出里。

这个方法实现起来很简单，但它有三个问题：

1. 如果要对网络进行修改，会比较麻烦。
2. 18层的resnet这样写是可行的，但是论文中提到了有搭建1000层的resnet，如果这样写的话，1000层写起来就太麻烦了。
3. 这样写不能体