Pytorch极简入门教程（十九）——ResNet网络结构

沐雲小哥

于 2021-05-05 21:53:52 发布

阅读量263

点赞数

CC 4.0 BY-SA版权

分类专栏： Pytorch 文章标签：深度学习

本文链接：https://blog.csdn.net/weixin_44533869/article/details/116431141

Pytorch 专栏收录该内容

37 篇文章

订阅专栏

本文介绍了ResNet的基本结构，包括ResnetBaseBlock模块的定义，展示了如何使用两个卷积层和批量归一化进行特征映射，并通过残差连接实现深层网络的有效训练。通过实例代码，读者将理解ResNet在网络深度提升时如何解决梯度消失问题。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

ResNet网络结构

导入必要的模块

import torch
import torch.nn as nn
import torch.nn.functional as F
import torchvision
import matplotlib.pyplot as plt

定义ResnetbaseBlock函数

class ResnetbaseBlock(nn.Module):
    def __init(self, in_channels, out_channels):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1, bias=False) #padding=1 上下左右都会添加1
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)
    def forward(self, x):
        # residual 为上一层的输出
        residual = x
        out = self.conv1(x)
        out = F.relu(self.bn1(out), inplace=True)
        out = self.conv2(out)
        out = F.relu(out)
        # f(x) + x
        out += residual
        return F.relu(out)