50、实战 - 利用 conv + bn + relu + add 写一个残差结构

上一节介绍了残差结构，还不清楚的同学可以返回上一节继续阅读。

到了这里，一个残差结构需要的算法基本都介绍完了，至少在 Resnet 这种神经网络中的残差结构是这样的。

本节我们做一个实战，基于之前几节中手写的 conv / bn 算法，来搭建一个残差结构。其中，relu 的实现和 add 的实现很简单。

relu 算法的实现用 python 来写就一行：

def ComputeReluLayer(img):
  res = np.maximum(0, img)
  return res

其中 img 是 relu 的输入数据，取输入数据和零的最大值即可， res 就是经过 relu 激活的结果。

而加法节点的实现就更简单，在 python 中就一个加法操作符就可以完成。

残差结构图

先看一下 resnet 中的残差结构图，在resnet50中，有两种残差结构，一种是如下的结构。

图中红框标注的是其中一种残差结构，这个结构的特点是左侧分支有3个卷积，每个卷积后面有一个 relu 激活函数。

你可能会问，左侧最后的一个卷积后面没有 relu 啊，这是因为左侧最后的一个卷积会和右侧的一个卷积相加，加完之后的结果再做 relu，实际上也相当于卷积后面都会有个relu。只要在卷