ResNet50中输入输出尺寸运算

最新推荐文章于 2025-04-23 10:59:22 发布

神经网络病

最新推荐文章于 2025-04-23 10:59:22 发布

阅读量1.4w

点赞数 8

分类专栏：深度学习文章标签： python

本文链接：https://blog.youkuaiyun.com/m0_45182288/article/details/124252398

版权

该博客详细解析了ResNet50的网络结构，解释了为何经过每个stage尺寸会减半，主要通过步长为2的卷积或池化实现。博主还探讨了ResNet中bottleneck结构的设计原理，指出1x1卷积在减少计算量和参数数量方面的作用。文章适合深度学习初学者和模型优化者阅读。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

读取Resnet50的网络结构

import torch
import torchvision

# 读取pth文件,查看模型结构
net = torchvision.models.resnet50(num_classes=600)
# 读取权重文件地址
pthfile = r'./Tongji_2022_04_15_19-49-14.pth'
net.load_state_dict(torch.load(pthfile),strict

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

神经网络病

关注关注

8
点赞
踩
36

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

pytorch笔记：04)resnet网络&解决输入图像大小问题

Javis486的专栏

03-20

7万+

因为torchvision对resnet18-resnet152进行了封装实现，因而想跟踪下源码(^▽^) 首先看张核心的resnet层次结构图(图1)，它诠释了resnet18-152是如何搭建的，其中resnet18和resnet34结构类似，而resnet50-resnet152结构类似。下面先看resnet18的源码图1 resnet18 首先是models.resnet18...

深度学习：ResNet每一层的输出形状

m0_49786943的博客

11-20

1002

nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3)：将输入的 1 个通道扩展为 64 个通道，特征图的尺寸从 224x224 变为 112x112。特征图尺寸减半的原因是为了在增加网络深度的同时，减小特征图的尺寸，从而减少计算量和参数数量，同时增加感受野，提高网络的性能和效率。解释：resnet_block(64, 128, 2)：包含两个残差块，输入通道数为 64，输出通道数为 128，特征图的尺寸减半（56x56 -> 28x28）。

参与评论您还未登录，请先登录后发表或查看评论

ResNet-50

sky的博客

12-24

5818

ResNet-50经过了4个Block，每一个Block中分别有3，4，6，3个Bottleneck 现在来看一下这个网络图，首先输入的图片是3×224×224，也就是3个通道，图片尺寸为224×224；进入第一个卷积层，卷积核大小为7*7，卷积核个数为64，步长为2，padding为3；所以输出应该是（224-7+2×3）/2+1=112.5，向下取整得到112，所以输出...

不同模型架构和任务类型对输入图像尺寸的选择

最新发布

小毛桃的博客

04-23

373

输入尺寸为 224×224，图像被分割为16×16的块（共196个），经线性映射后输入Transformer编码器。多采用 800×1333（保持宽高比）或固定尺寸（如 512×512），兼顾效率与效果。常用 512×512 或 1024×1024，高分辨率可保留细节，提升分割精度。输入尺寸灵活，如 320×320（快速推理）或 608×608（高精度检测）。• 从256×256随机裁剪224×224可提升泛化性，常见于分类任务。• 大尺寸（如1024×1024）需更高显存，可能限制批大小。

ResNet50卷积神经网络输出数据形参分析-笔记

hsg77的专栏

08-04

2088

ResNet50卷积神经网络输出数据形参分析-笔记

修改resnet适应不同大小的输入

realjc的博客

11-03

4809

resnet由于最后的全连接层参数固定，为了适应不同大小的输入。要么对输入图像进行crop或者padding，要么修改网络。下面是LearnOpenCV提供的一种修改网络的方式。将最后的池化层由AdaptiveAvgPool2d 改为 AvgPool2d 将全连接层替换为卷积层。 class FullyConvolutionalResnet18(models.ResNet): def __init__(self, num_classes=1000, pretrained=False, **kw

关于resnet网络输入图片尺寸任意大小的问题

bianlongpeng的博客

08-17

1万+

pytorch中resnet_用Pytorch手工实现ResNet50

weixin_42472941的博客

12-30

1074

《吴恩达深度学习课程》第四课第二周的作业是：使用Keras和Tensorflow编写ResNet50，用程序实现题目中描述的网络结构。由于程序填空提供了不少示例，做完后仍感觉理解不透彻，又使用Pytorch实现了一遍。ResNet50包含49个卷积层和1个全连接层，属于较大型的网络，实现起来略有难度。对于理解数据流、卷积层、残差、瓶颈层，以及对大型网络的编写和调试都有很大帮助。网络结构ResNet...

深度学习11 — ResNet-50 算法实战与解析

TOMWilliamLIN的博客

05-31

1918

ResNet-50 算法实战与解析

长文解析Resnet50的算法原理

AI与算法都要通俗易懂

08-19

1万+

长文通俗的解析resnet50的全部算法。

ResNet50

m0_58702532的博客

06-07

661

resnet50

ResNet50/101/152模型文件和ResNet-50-model

09-14

ResNet系列模型文件：ResNet_50_train_val.prototxt、ResNet_101_train_val.prototxt、ResNet_152_train_val.prototxt、ResNet_50_deploy.prototxt、ResNet_101_deploy.prototxt、ResNet_152_deploy.prototxt、solver.prototxt、ResNet-50-model.caffemodel

resnet-50-symbol.json

04-24

resnet各种预训练模型，for MXNet框架使用。faster rcnn中使用demo测试resnet网络。 50

ResNet50组网图

12-31

ResNet50网络的组网图分析，详细分析了各个模块的组成。主要针对Pytorch框架，其实各个框架的实现基本一致

重新设置神经网络输入图片大小代码

05-24

神经网络

resnet50 模型

09-20

resnet50 模型，很难训练，且训练一次需要很长时间，最好保存

resnet系列的输出

weixin_40970506的博客

03-27

4691

resnet18/34/50/101/152网络 input：torch.Size([1, 3, 224, 224]) # 输入大小 conv1：torch.Size([1, 64, 112, 112]) ＃下采样２倍 maxpool：torch.Size([1, 64, 56, 56]) ＃下采样4倍 layer1：torch.Size([1, 256, 56, 56]) ＃下采样...

ResNet50超详细解析！！！