搭建一个电商网站需要多少费用,沧州市注册网络公司,上海十大装修公司,php 购物网站开发参考了网上的一些代码#xff0c;对resnet有了更深入的理解。因此做了两个类#xff0c;一个是ResidualChunk#xff0c;一个是ResNet18。如果使用了nn.BatchNorm2d,则在conv函数中设置bias是无用的#xff0c;可以设置为False。
在下面会列出来实践的代码#xff0c;其中…参考了网上的一些代码对resnet有了更深入的理解。因此做了两个类一个是ResidualChunk一个是ResNet18。如果使用了nn.BatchNorm2d,则在conv函数中设置bias是无用的可以设置为False。
在下面会列出来实践的代码其中ResidualChunk学习到的三点内容是
#ResidualChunk
#第一点
# 如果stride2则图像的长和宽会降采样一倍
# 如果stride1则长和宽是不变的输出的长和宽是多大输出的就是多大
#第二点
# in_channel 和 out_channel 如果不一样 则加法 无法加起来
#因此需要 用conv(in_channel,out_channel, kernel_size 1, padding 0, stride 2)来改变通道数和图像长宽
#stride2则图像降采样一倍并且out_channel设置号则通道数也满足了拼接
#第三点
#每一个layer有两层迭代第一层迭代具有降采样和通道变换第二层的时候没有降采样也没有通道数量的改变 其中ResNet18的过程是
#ResNet18
#处理过程输入3*32*32的层
#conv1 变换得到 64*32*32
#layers1 变换得到 64*32*32
#layers2 变换得到 128* 16*16
#layers3 变换得到 256 * 8 *8
#layers4 变换得到 512 * 4 *4
#avg_pool2d 变换得到 512*1*1
#view(out_x.size(0),-1) 得到512
#nn.Linear(512,numClass) 512*10最后得到10类选择最大的一个数字作为目标判别出来的类
代码如下
import torch
import torch.nn as nn
import torch.nn.functional as Func#注意一点就是如果要使用BatchNormal 则可以设置biasFalse因为均值和方差和 统一加一个bias无关了#ResNet18
#处理过程输入3*32*32的层
#conv1 变换得到 64*32*32
#layers1 变换得到 64*32*32
#layers2 变换得到 128* 16*16
#layers3 变换得到 256 * 8 *8
#layers4 变换得到 512 * 4 *4
#avg_pool2d 变换得到 512*1*1
#view(out_x.size(0),-1) 得到512
#nn.Linear(512,numClass) 512*10最后得到10类选择最大的一个数字作为目标判别出来的类class ResidualChunk(nn.Module):def __init__(self, inchannel, outchannel, stride 1):super(ResidualChunk, self).__init__()self.verticalLine nn.Sequential(nn.Conv2d(inchannel,outchannel,kernel_size3,stridestride,padding1,biasFalse),nn.BatchNorm2d(outchannel),nn.ReLU(),nn.Conv2d(outchannel,outchannel,kernel_size3,stride1,padding1,biasFalse),nn.BatchNorm2d(outchannel),)self.resLine nn.Sequential()if stride ! 1 or inchannel ! outchannel:self.resLine nn.Sequential(nn.Conv2d(inchannel,outchannel,kernel_size1,padding0,stridestride,biasFalse),nn.BatchNorm2d(outchannel))def forward(self,x):vertical_out_x self.verticalLine(x)vertical_out_x self.resLine(x)x Func.relu(vertical_out_x)return xclass ResNet18(nn.Module):def __init__(self,ResidualBlock, numClass):super(ResNet18, self).__init__()self.inChannel 64self.conv1 nn.Sequential(nn.Conv2d(3,64,kernel_size7,stride1,padding3,biasFalse),nn.BatchNorm2d(64),nn.ReLU(),)self.layers1 self.make_layer(ResidualChunk,64,2,stride 1)self.layers2 self.make_layer(ResidualBlock,128,2,stride 2)self.layers3 self.make_layer(ResidualBlock,256,2,stride 2)self.layers4 self.make_layer(ResidualBlock,512,2,stride 2)self.fc nn.Linear(512,numClass) #几个分类def make_layer(self,basicNet, channels, num_repeate, stride):strides [stride] [1] * (num_repeate - 1)layers []for stride in strides:layers.append(basicNet(self.inChannel,channels,stride)),self.inChannel channels #每一次保留下一次的输入通道数量return nn.Sequential(*layers)def forward(self,x):out_x self.conv1(x)out_x self.layers1(out_x)out_x self.layers2(out_x)out_x self.layers3(out_x)out_x self.layers4(out_x)out_x Func.avg_pool2d(out_x,4)out_x out_x.view(out_x.size(0),-1)out_x self.fc(out_x)return out_xresnet ResNet18(ResidualChunk,10)
data torch.randn(1,3,32,32)
out resnet(data)
print(resnet)
print(out)最后的几行代码是测试网络是否执行顺利
resnet ResNet18(ResidualChunk,10)
data torch.randn(1,3,32,32)
out resnet(data)
print(resnet)
print(out)
out是一个长度为10的张量因此是正确的。
