BasicBlock和Bottleneck 区别

原创

已于 2023-12-07 19:58:27 修改 · 2.5k 阅读

20 ·

CC 4.0 BY-SA版权

文章标签：

#python #计算机视觉

于 2023-12-07 19:58:03 首次发布

本文介绍了深度残差网络中BasicBlock和Bottleneck两种基本残差块，前者用于浅层网络，后者用于深层网络，通过不同结构优化计算效率并提升性能。

BasicBlock 和 Bottleneck 是在深度残差网络（ResNet）中使用的两种基本的残差块结构。

BasicBlock（基础块）：

主要用于 ResNet-18 和 ResNet-34 这样的较浅网络。
包含两个卷积层（两个3x3卷积）。
输入和输出的通道数相同。

每个卷积层后面都有批归一化（Batch Normalization）和 ReLU 激活函数。

class BasicBlock(nn.Module):
    expansion = 1

    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(BasicBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.downsample = downsample

    def forward(self, x):
        identity = x

        out = self.conv1(x)
        out = self.bn1(out)
        out