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

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