TensorRT+图像分类:采用ResNet18预训练权重图像分类---部署

本文介绍了如何利用TensorRT部署ResNet18模型进行图像分类。首先回顾了ResNet18的深度残差网络结构及其解决的梯度消失和退化问题。接着详细阐述了在TensorRT中获取权重并实现ResNet.cpp的过程,以此实现高效的模型部署。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

上一篇我们写到了自己手动搭建ResNet18网络进行了图像分类训练,对猫狗进行分类,现在我们是用TensorRT API进行部署。

目录

1、ResNet18介绍

 2、TensorRT

2.1 权重获取

2.2 ResNet.cpp 

3.结果


1、ResNet18介绍

ResNet是一种基于跳跃连接的深度残差网络算法。根据该算法提出了18层、34层、50层、101层、152层的ResNet-18、ResNet-34、ResNet-50、ResNet-101和、ResNet-152等模型,甚至成功训练出层数达到1202层的超深的神经网络结构。

实际中,单纯的增加网络的深度,网络会变得越来越难训练,而且精度会达到饱和,这主要是由于两种问题造成的:1、梯度弥散/爆炸现象;2、退化问题

从图中可以看出,50层网络最终的训练误差率和测试率均比20层高。可见随着网络深度的增加,精度达到饱和,甚至导致更高的训练和测试误差率,这就是论文中提到的退化问题。而这种退化问题又不是由过拟合导致的,因为不仅验证集上的误差在增大,就连训练集上的误差也在增大。

梯度弥散/爆炸现象可由在网络中添加BN层或者通过数据预处理来解决,使得训练速度加快,但是针对退化问题,还没有一个完美的解决方案。于是,提出了深度残差网络算法ResNet。

ResNet创新之处:

1、提出了超深的网络结构

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Mrs.Gril

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值