Resnet152结构

### ResNet152 网络架构详解 #### 初始层 ResNet152 的初始部分由一个7×7的卷积层组成，该层具有64个滤波器，并采用步幅为2的方式处理输入图像。随后是一个最大池化层，其窗口大小同样为3×3，步幅也为2。这一阶段的结果是将原始图片尺寸减小至原来的四分之一。 #### 主干网络结构 主干网路主要分为四个阶段（Stage），每个阶段包含了多个残差块： - **Stage 1**: 包含三个瓶颈型残差单元，通道数从64扩展到256。 - **Stage 2**: 同样有八个这样的单元，但此时输出特征图的空间分辨率进一步下降一半，而通道数量则增加到了512。 - **Stage 3**: 此处设计了三十六个连续堆叠的标准或改进版Bottleneck Units, 输出维度变为1024维向量表示形式，在此期间空间尺度再次被压缩两倍。 - **Stage 4**: 最终五次重复构建更深更复杂的模式识别能力更强的功能表达方式——即拥有2048个过滤器的最后一组bottlenecks units[^1]。 ```python import torch.nn as nn 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 def make_layer(block, planes, blocks, stride=1): downsample = None if stride != 1 or inplanes != block.expansion * planes: downsample = nn.Sequential( nn.Conv2d(inplanes, block.expansion*planes, kernel_size=1, stride=stride, bias=False), nn.BatchNorm2d(block.expansion*planes) ) layers = [] layers.append(block(inplanes, planes, stride, downsample)) inplanes = planes * block.expansion for i in range(1, blocks): layers.append(block(inplanes, planes)) return nn.Sequential(*layers) class ResNet(nn.Module): def __init__(self, block, layers, num_classes=1000): global inplanes inplanes = 64 super(ResNet, self).__init__() self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,bias=False) self.bn1 = nn.BatchNorm2d(64) self.relu = nn.ReLU(inplace=True) self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1) self.layer1 = make_layer(block, 64, layers[0]) self.layer2 = make_layer(block, 128, layers[1], stride=2) self.layer3 = make_layer(block, 256, layers[2], stride=2) self.layer4 = make_layer(block, 512, layers[3], stride=2) self.avgpool = nn.AdaptiveAvgPool2d((1, 1)) self.fc = nn.Linear(512 * block.expansion, num_classes) # 初始化权重... resnet152 = ResNet(Bottleneck, [3, 8, 36, 3]) # 定义ResNet152模型实例 ``` #### 特征融合机制 为了缓解深层网络中的梯度消失/爆炸问题并促进信息流动，ResNet引入了一种称为跳跃连接的设计理念。这种特殊的拓扑结构允许较早层次的信息直接传递给后续层次，从而形成所谓的“捷径”。当这些路径上的操作仅仅是恒等映射时，则构成了最简单的残差函数f(x)=x+F(x)，其中F代表一系列非线性变换[^2]。