【PyTorch学习】（一）ResNet源码研读

最新推荐文章于 2022-12-20 10:09:29 发布

原创

最新推荐文章于 2022-12-20 10:09:29 发布 · 1.2k 阅读

14 ·

CC 4.0 BY-SA版权

文章标签：

#PyTorch #ResNet #深度学习

本文是作者在学习PyTorch时对ResNet模型源码的研读笔记，重点讲解了ResNet中Bottleneck类的设计，并对比了与BasicBlock的区别。通过结构图辅助理解，介绍了ResNet模型的不同版本，如ResNet18、ResNet50等，并邀请读者共同讨论交流。

最近在学习PyTorch，想着光看不动手不行，就尝试着对着torchvision.models下的ResNet实现写了一遍，顺带将ResNet复习了一下，并将在研读源码过程中自己做的一点笔记和理解简单的分享一下。

torchvision.models.resnet下有ResNet18、ResNet34、ResNet50、ResNet101、ResNet152五种结构的ResNet实现。

主要的区别在于:

18层和34层的ResNet用到的结构是"两个3*3的conv层堆叠"的BasicBlock，而50，101，152层的ResNet用到了Bottleneck结构，所以源码中也分别有BasicBlock和Bottleneck的实现。
相同的BasicBlock/Bottleneck重复堆叠的次数不同。

贴一张ResNet的结构图可能会更清晰一些：

从而主体核心代码ResNet类的初始化形式即为：

# block:BasicBlock or Bottleneck
# layers: 根据自己需要搭积木。ResNet50的设置为layers=[3, 4, 6, 3]
# num_classes:根据自己需要设置最终fc层输出的分类数目，默认是ImageNet的1000类
def __init__(self, block, layers, num_classes=1000):

所以接下来主要重点解读Bottleneck类和ResNet类的实现。

一、Bottleneck类源码解读

同样，先贴一张Bottleneck的结构图（图片来自网络，依据tensorflow画的，PyTorch的image Tensor应该是(N,C,H,W))，图和代码相结合更有助于理解。

class Bottleneck(nn.Module):
    '''Bottleneck block'''

    def __init__(self, inplanes, planes, stride=1, downsample=None):
        # inp

最低0.47元/天解锁文章