resnet50结构分析，ResNet50模型计算过程详解？-营销圈

resnet50结构分析，ResNet50模型计算过程详解？

用户投稿 • 2022年6月13日 pm7:14 • 网络资讯 • 阅读 1299

resnet迄今为止，仍然是最佳的backbone.

resnet的全称为深度残差网络，Deep Residual Network

在resnet的论文Deep Residual Learning for Image Recognition中，作者给出了这样几个模型：resnet18,resnet34,resnet50,resnet101,resnet152.

这些模型，都是由使用残差模块residual block构成的，不然为什么叫做residual network 呢？

那么resnet中的残差模块residual block是怎样的呢？

其实resnet中有两种残差模块：basic residual block 和和 bottleneck residual block，如下图所示：

resnet50结构分析，ResNet50模型计算过程详解？

左边为basic residual block,右边为bottleneck residual block。

在resnet18,resnet34中，使用的是左边的basic residual block

在resnet50,resnet101,resnet152中使用的是右边的bottleneck residual block.

上一篇文章中我们详细介绍了resnet18的计算过程。

这篇文章主要详细介绍resnet50的计算过程。

resnet50结构分析，ResNet50模型计算过程详解？

如论文中的 Table-1所示，resnet50的模型结构是表中的第5列。

给一张224x224x3的图片img，我们输入到resnet50模型，看看它是如何得到模型输出的。

我们先把图片矩阵变换为：3x224x224

3x224x224的img

经过kernel_size=7,in_channel=3,output_channel=64,stride=2,padding=3的same卷积，bn,relu得到64x112x112的feature map

接着经过kernel_size=3,stride=2的map pooling,得到64x56x56的feature map: F4

得到F4后，将其输入到bottleneck residual block中，得到256x56x56的feature map：F5

这就是一个典型的经典的bottleneck residual block的计算过程。
这里面有一个细节要注意：当F4和F4_1的维度不相等时，我们就用一个1×1的卷积，将F4进行维度变换得到F4_2. 保证F4_2在feature map 的size和channel都与F4_1相等时，再将F4_1+F4_2，再经过relu得到F5

如果F4和F4_1在size 和维度都相等时，F4_2=F4,然后进行 F4_1+F4_2,经过relu得到 F5.

从64x56x56的F4到256x56x56的F5,就是我们16个bottleneck residual block的第1个block.

F5经过第2个bottleneck residual block得到256x56x56 的 F6,

这一步我们没有对F5进行维度变换得到F5_2,因为F5与F5_1维度相同，可以直接相加

这是我们16个 bottleneck residual block中的第2个block.

F6经过第3个 bottleneck residual block，得到256x56x56 的 F7

注意到，前3个bottleneck residula block中的3×3的卷积的in_channel=out_channel=64,由于这3个 bottleneck residula block中3×3卷积的channel数是一样的，我们通常把他们3个 block合称为resnet50的block1，或者conv2_x,或者layer1.

F7经过第4个bottleneck residual block, 得到512x28x28 的 F8

F8经过第5个bottleneck residual block, 得到512x28x28的F9

F9经过第6个bottleneck residual block, 得到512x28x28的F10

F10经过第7个bottleneck residual block, 得到512x28x28的F11

注意到，这4个bottleneck residula block中的3×3的卷积的in_channel=out_channel=128,由于这3个 bottleneck residula block中3×3卷积的channel数是一样的，我们通常把他们3个 block合称为resnet50的block2，或者conv3_x,或者layer2.

F11经过第8个bottleneck residual block, 得到1024x14x14的F12

F12经过第9个bottleneck residual block, 得到1024x14x14的F13

F13经过第10个bottleneck residual block, 得到1024x14x14的F14

F14经过第11个bottleneck residual block, 得到1024x14x14的F15

F15经过第12个bottleneck residual block, 得到1024x14x14的F16

F16经过第13个bottleneck residual block, 得到1024x14x14的F17

注意到，这6个bottleneck residula block中的3×3的卷积的in_channel=out_channel=256,由于这3个 bottleneck residula block中3×3卷积的channel数是一样的，我们通常把他们3个 block合称为resnet50的block3，或者conv4_x,或者layer3.

F17经过第14个bottleneck residual block, 得到2048x7x7的F18

F18经过第15个bottleneck residual block, 得到2048x7x7的F19

F19经过第16个bottleneck residual block, 得到2048x7x7的F20

注意到，16个中的最后这3个bottleneck residula block中的3×3的卷积的in_channel=out_channel=512,由于这3个 bottleneck residula block中3×3卷积的channel数是一样的，我们通常把他们3个 block合称为resnet50的block4，或者conv5_x,或者layer4.

1024x7x7的F20，经过average pool 得到1024x1x1 的F21

F21经过 1024×1000的fc ,再经过bn,softmax输出1000类的概率值。

好了，这篇文章的内容营销圈就和大家分享到这里，如果大家网络推广引流创业感兴趣，可以添加微信：Sum8338 备注：营销圈引流学习，我拉你进直播课程学习群，每周135晚上都是有实战干货的推广引流技术课程免费分享！

好了，这篇文章的内容营销圈就和大家分享到这里，如果大家对网络推广引流和网络创业项目感兴趣，可以添加微信：Sum8338 备注：营销圈引流学习，我拉你进直播课程学习群，每周135晚上都是有实战的推广引流技术和网络创业项目课程分享，当然是免费学！

resnet50结构分析，ResNet50模型计算过程详解？

相关推荐