ResNet50 结构

最新推荐文章于 2025-03-11 01:49:57 发布
最新推荐文章于 2025-03-11 01:49:57 发布
阅读量3.3w 收藏 33
点赞数 7
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/zjucor/article/details/78636573
版权



ResNet有2个基本的block，一个是Identity Block，输入和输出的dimension是一样的，所以可以串联多个；另外一个基本block是Conv Block，输入和输出的dimension是不一样的，所以不能连续串联，它的作用本来就是为了改变feature vector的dimension

因为CNN最后都是要把image一点点的convert成很小但是depth很深的feature map，一般的套路是用统一的比较小的kernel（比如VGG都是用3*3），但是随着网络深度的增加，output的channel也增大（学到的东西越来越复杂），所以有必要在进入Identity Block之前，用Conv Block转换一下维度，这样后面就可以连续接Identity Block


可以看下Conv Block是怎么改变输出维度的




其实就是在shortcut path的地方加上一个conv2D layer（1*1 filter size），然后在main path改变dimension，并与shortcut path对应起来

resnet50网络结构_轻量（高效）目标检测网络结构设计
weixin_39907316的博客
11-21 1778
目标检测网络可以分成如图的5个部分input image：输入图像的大小对整个网络推断耗时有最直接的影响，小的图像，自然整个网络推断时间就会大大减少。一般来说，输入图像大小与网络深度正相关，即：大图像需要更深的网络提取更好的特征backbone：是网络主结构的表达，由convolution、normalization、activation这3种层堆叠而成，如resnet50.featur...
resnet50网络结构
qq_37727901的博客
10-27 671
残差网络结构
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
认识深度神经网络ResNet50
leoysq的博客
12-05 1175
ResNet50 是一种强大且经典的深度学习网络，适用于各种计算机视觉任务。它通过引入残差模块解决了深度网络训练困难的问题，是现代深度学习中应用最广泛的模型之一。
ResNet50深度解析：原理、结构与PyTorch实现
最新发布
LChuck的博客
03-11 2680
ResNet50是深度学习领域的里程碑模型，通过创新的残差学习框架解决了深层神经网络训练中的梯度消失问题。其核心思想是学习残差映射F(x)=H(x)-x，而非直接学习输入到输出的映射H(x)，通过跳跃连接使梯度能直接流过，有效缓解梯度消失。 ResNet50采用Bottleneck设计，包含50层卷积层，由头部(初始特征提取)、主体(4个残差块组)和尾部(分类器)组成。其特点是参数高效(约25.5M参数)、梯度流动稳定和特征重用能力强，广泛应用于图像分类、目标检测、语义分割和迁移学习等视觉任务。
resnet网络结构
Habatua的博客
07-17 875
转自 https://zhuanlan.zhihu.com/p/79378841 今天回顾了ResNet的论文Deep Residual Learning for Image Recognition，又结合PyTorch官方代码，整理一遍ResNet的结构，在这里写个总结。 首先，ResNet在PyTorch的官方代码中共有5种不同深度的结构，深度分别为18、34、50、101、152（各种网络的深度指的是“需要通过训练更新参数”的层数，如卷积层，全连接层等），和论文完全一致。图1是论文里给出每种ResNe
ResNet-50的网络结构：
Kp0fS的草稿纸
10-28 754
ResNet-50的网络结构： 参考资料： htt
ResNet50结构
吴建明wujianming_110117
07-06 3025
ResNet50结构 ResNet简介 随着网络的加深，出现了训练集准确率下降的现象，可以确定这不是由于Overfit过拟合造成的(过拟合的情况训练集应该准确率很高)；针对这个问题提出了一种全新的网络，称为深度残差网络，允许网络尽可能的加深，其中引入了全新的结构如图。 残差指的是什么？ 其中ResNet提出了两种mapping：一种是identity mapping，指的就是图中”弯弯的曲线”，另一种residual mapping，指的就是除了”弯弯的曲线“那部分，所以最后的输出是 y= F(x)+x
ResNet50网络结构.txt
07-24
ResNet50网络结构
基于ResNet50的模型结构：ResNet50-ImageNet-CNTK
10-24
基于ResNet50的模型结构：ResNet50_ImageNet_CNTK
ResNet50 网络结构搭建(PyTorch)
热门推荐
New_WR的博客
12-07 4万+
ResNet50是一个经典的特征提取网络结构，虽然Pytorch已有官方实现，但为了加深对网络结构的理解，还是自己动手敲敲代码搭建一下。需要特别说明的是，笔者是以熟悉网络各层输出维度变化为目的的，只对建立后的网络赋予伪输入并测试各层输出，并没有用图像数据集训练过该网络（后续会用图像数据集测试并更新博客）。 1 预备理论 在动手搭建ResNet50以前，首先需要明确ResNet系列网络的基本结构，其次复习与卷积相关的几个知识点，以便更好地理解网络中间输出维度的
Resnet50网络结构
Joker_xun的博客
11-12 1万+
resnet-50 有四组block，每组分别是 3 4 6 3个block，每个block里面有三个，另外这个网络的最开始有一个单独的卷积层，（3+4+6+3）*3+1=49。 取样层没有要学习的参数，平时我们所谓的层，指的是有参数要学习的层。 ...
4.ResNet50 网络结构
weixin_71719718的博客
08-28 7252
上图意思是在该模块传入x后，对x经过两种处理：一是分别经过卷积核是3X3和1X1的两次卷积处理，当然，两次卷积处理都有BN+relu，处理后得到输出f(x)；二是对x做shape改变，即做下采样变换，保证x与f(x)的shape相同，然后将这两种不同处理的输出相加。这样做的好处是模块的最终输出既保留上一层的详细信息，又增加了两次卷积的加强信息，主要防止深层网络的梯度消失。首先是起始阶段的输入层，即layer0层，由一个7x7，步距为2的卷积+BN+relu，加上3x3最大值池化，步长为2的池化层构成。
ResNet-50
11-20 933
https://datascience-enthusiast.com/DL/Residual_Networks_v2.html#Residual-Networks  
RESNET50
Azuresmh的博客
04-18 1334
resnet的存在的原因很简单的来讲就是为了解决网络层数加深准确率反而下降（下降的原因是梯度爆炸（梯度爆炸就是初始某些权重的大小不一 太小的权重会由于激活函数压缩变小相当于乘以了很多个很小的数而导致后面的层数中有的很大 有的很小） 在上图的残差网络结构图中，通过“shortcut connections(捷径连接)”的方式，直接把输入x传到输出作为初始结果，输出结果为H(x)=F(x)+x，当F(x)=0时，那么H(x)=x，也就是上面所提到的恒等映射。于是，ResNet相当于将学习目标改变了，不再是学习
Resnet50
afadgas的博客
10-08 1837
resnet50
resnet50 网络结构全图
AI与算法都要通俗易懂
06-26 3762
可视化CNN， AI算法的搬砖真实性！
Resnet_50网络结构图
Seven_year_Promise的博客
04-05 2万+
resnet50结构
12-28
### ResNet50 网络架构详解 #### 1. 基本概念 ResNet（残差网络）通过引入跳跃连接解决了深层神经网络中的梯度消失问题，使得训练更深的网络成为可能。不同版本的ResNet主要区别在于其深度和使用的构建模块。 #### 2. 构建模块 ResNet50 使用的是瓶颈层 (Bottleneck) 结构来构建网络[^3]。这种设计可以减少参数数量并提高计算效率。具体来说： - **卷积层**：每个 Bottleneck 单元由三个连续的卷积操作组成，分别是 1×1, 3×3 和 1×1 的卷积核大小。 - **通道数变化**：第一个 1×1 卷积用于降维；中间的 3×3 卷积保持维度不变；最后一个 1×1 卷积恢复原始特征图尺寸。 ```python class Bottleneck(nn.Module): expansion = 4 def __init__(self, inplanes, planes, stride=1, downsample=None): super(Bottleneck, self).__init__() self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False) self.bn1 = nn.BatchNorm2d(planes) self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride, padding=1, bias=False) self.bn2 = nn.BatchNorm2d(planes) self.conv3 = nn.Conv2d(planes, planes * self.expansion, kernel_size=1, bias=False) self.bn3 = nn.BatchNorm2d(planes * self.expansion) self.relu = nn.ReLU(inplace=True) self.downsample = downsample self.stride = stride def forward(self, x): residual = x out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) out = self.relu(out) out = self.conv3(out) out = self.bn3(out) if self.downsample is not None: residual = self.downsample(x) out += residual out = self.relu(out) return out ``` #### 3. 整体结构 整个 ResNet50 包含多个阶段，每个阶段重复应用上述定义的基础单元。通常情况下，ResNet50 总共有 50 层，其中包括初始的7x7卷积层以及随后四个阶段的不同数目堆叠的基本单元[^1]。 | 阶段 | 输出形状 | 迭代次数 | |------|----------------|----------| | conv1| H/2 × W/2 × 64 | | | layer1 | H/4 × W/4 × 256 | 3次 | | layer2 | H/8 × W/8 × 512 | 4次 | | layer3 | H/16 × W/16 × 1024 | 6次 | | layer4 | H/32 × W/32 × 2048 | 3次 | 其中 `H` 表示输入图像高度，`W` 表示宽度。 #### 4. 实现细节 为了适应不同的输入分辨率，在某些地方会采用步长为2的最大池化或带有较大步幅的卷积来进行下采样处理。此外，当遇到维度不匹配的情况时，则需要额外添加线性投影映射以确保加法运算能够顺利执行。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
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
实付元
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