人工智能學習pyTorch的ResNet殘差模塊示例詳解

1.定義ResNet殘差模塊

一個block中，有兩個卷積層，之後的輸出還要和輸入進行相加。因此一個block的前向流程如下：

輸入x→卷積層→數據標準化→ReLU→卷積層→數據標準化→數據和x相加→ReLU→輸出out

中間加上瞭數據的標準化（通過nn.BatchNorm2d實現），可以使得效果更好一些。

在前向傳播中輸入x，過程中根據前向流程，調用上面定義的層即可。

如此，便定義好瞭一個殘差的模塊。

此處的ResNet18並沒有涉及到太多細節，隻是一個大致的內容。

在初始化的時候，定義好所需要使用的模塊，根據上面定義好的殘差模塊，調用即可。在這裡使用瞭4次殘差模塊，將通道數從輸入的3（也就是RGB），變成瞭512通道。也就是最終提取的高級特征。提取完特征，直接輸入給Linear方法，得到圖片在10種圖片類型上的結果，用於預測以及損失值的求解。

同樣的，調用上面定義好的層，根據流程傳播即可。

如下圖，輸入的是2張圖，RGB，長寬均是32的數據。

通過ResNet18之後，輸出的是2張圖，每張圖對應10種類型的不同取值logits。

過程中的通道數目的轉換如下面的結果所示：3→64→128→256→512→512

過程中的尺寸轉換，根據設置的卷積核，以及步長，會有不同的結果。但總體都是為瞭得到更高級的特征，最終輸入全連層，得到Logits。

以上就是人工智能學習pyTorch的ResNet殘差模塊示例詳解的詳細內容，更多關於PyTorch人工智能學習ResNet殘差模塊的資料請關註WalkonNet其它相關文章！