Pytorch深度学习经典卷积神经网络resnet模块实例分析

这篇文章主要介绍"Pytorch深度学习经典卷积神经网络resnet模块实例分析"的相关知识，小编通过实际案例向大家展示操作过程，操作方法简单快捷，实用性强，希望这篇"Pytorch深度学习经典卷积神经网络resnet模块实例分析"文章能帮助大家解决问题。

前言

随着深度学习的不断发展，从开山之作Alexnet到VGG，网络结构不断优化，但是在VGG网络研究过程中，人们发现随着网络深度的不断提高，准确率却没有得到提高，如图所示：

人们觉得深度学习到此就停止了，不能继续研究了，但是经过一段时间的发展，残差网络（resnet）解决了这一问题。

一、resnet

如图所示：简单来说就是保留之前的特征，有时候当图片经过卷积进行特征提取，得到的结果反而没有之前的很好，所以resnet提出保留之前的特征，这里还需要经过一些处理，在下面代码讲解中将详细介绍。

二、resnet网络结构

本文将主要介绍resnet18

三、resnet18

1.导包

import torchimport torchvision.transforms as transimport torchvision as tvimport torch.nn as nnfrom torch.autograd import Variablefrom torch.utils import datafrom torch.optim import lr_scheduler

2.残差模块

这个模块完成的功能如图所示：

class tiao(nn.Module):    def __init__(self,shuru,shuchu):        super(tiao, self).__init__()        self.conv1=nn.Conv2d(in_channels=shuru,out_channels=shuchu,kernel_size=(3,3),padding=(1,1))        self.bath=nn.BatchNorm2d(shuchu)        self.relu=nn.ReLU()    def forward(self,x):        x1=self.conv1(x)        x2=self.bath(x1)        x3=self.relu(x2)        x4=self.conv1(x3)        x5=self.bath(x4)        x6=self.relu(x5)        x7=x6+x        return x7

2.通道数翻倍残差模块

模块完成功能如图所示：

在这个模块中，要注意原始图像的通道数要进行翻倍，要不然后面是不能进行相加。

class tiao2(nn.Module):    def __init__(self,shuru):        super(tiao2, self).__init__()        self.conv1=nn.Conv2d(in_channels=shuru,out_channels=shuru*2,kernel_size=(3,3),stride=(2,2),padding=(1,1))        self.conv11=nn.Conv2d(in_channels=shuru,out_channels=shuru*2,kernel_size=(1,1),stride=(2,2))        self.batch=nn.BatchNorm2d(shuru*2)        self.relu=nn.ReLU()        self.conv2=nn.Conv2d(in_channels=shuru*2,out_channels=shuru*2,kernel_size=(3,3),stride=(1,1),padding=(1,1))    def forward(self,x):        x1=self.conv1(x)        x2=self.batch(x1)        x3=self.relu(x2)        x4=self.conv2(x3)        x5=self.batch(x4)        x6=self.relu(x5)        x11=self.conv11(x)        x7=x11+x6        return x7

3.rensnet18模块

class resnet18(nn.Module):    def __init__(self):        super(resnet18, self).__init__()        self.conv1=nn.Conv2d(in_channels=3,out_channels=64,kernel_size=(7,7),stride=(2,2),padding=(3,3))        self.bath=nn.BatchNorm2d(64)        self.relu=nn.ReLU()        self.max=nn.MaxPool2d(2,2)        self.tiao1=tiao(64,64)        self.tiao2=tiao(64,64)        self.tiao3=tiao2(64)        self.tiao4=tiao(128,128)        self.tiao5=tiao2(128)        self.tiao6=tiao(256,256)        self.tiao7=tiao2(256)        self.tiao8=tiao(512,512)        self.a=nn.AdaptiveAvgPool2d(output_size=(1,1))        self.l=nn.Linear(512,10)    def forward(self,x):        x1=self.conv1(x)        x2=self.bath(x1)        x3=self.relu(x2)        x4=self.tiao1(x3)        x5=self.tiao2(x4)        x6=self.tiao3(x5)        x7=self.tiao4(x6)        x8=self.tiao5(x7)        x9=self.tiao6(x8)        x10=self.tiao7(x9)        x11=self.tiao8(x10)        x12=self.a(x11)        x13=x12.view(x12.size()[0],-1)        x14=self.l(x13)        return x14

这个网络简单来说16层卷积，1层全连接，训练参数相对较少，模型相对来说比较简单。

4.数据测试

model=resnet18().cuda()input=torch.randn(1,3,64,64).cuda()output=model(input)print(output)

5.损失函数，优化器

损失函数

loss=nn.CrossEntropyLoss()

在优化器中，将学习率进行每10步自动衰减

opt=torch.optim.SGD(model.parameters(),lr=0.001,momentum=0.9)exp_lr=lr_scheduler.StepLR(opt,step_size=10,gamma=0.1)opt=torch.optim.SGD(model.parameters(),lr=0.001,momentum=0.9)exp_lr=lr_scheduler.StepLR(opt,step_size=10,gamma=0.1)

在这里可以看一下对比图，发现添加学习率自动衰减，loss下降速度会快一些，这说明模型拟合效果比较好。

6.加载数据集，数据增强

这里我们仍然选择cifar10数据集，首先对数据进行增强，增加模型的泛华能力。

  transs=trans.Compose([        trans.Resize(256),        trans.RandomHorizontalFlip(),        trans.RandomCrop(64),        trans.ColorJitter(brightness=0.5,contrast=0.5,hue=0.3),        trans.ToTensor(),        trans.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))    ])

ColorJitter函数中brightness（亮度）contrast（对比度）saturation（饱和度）hue（色调）

加载cifar10数据集：

    train=tv.datasets.CIFAR10(        root=r'E:\桌面\资料\cv3\数据集\cifar-10-batches-py',        train=True,        download=True,        transform=transs    )    trainloader=data.DataLoader(        train,        num_workers=4,        batch_size=8,        shuffle=True,        drop_last=True    )

7.训练数据

    for i in range(3):        running_loss=0        for index,data in enumerate(trainloader):            x,y=data            x=x.cuda()            y=y.cuda()            x=Variable(x)            y=Variable(y)            opt.zero_grad()            h=model(x)            loss1=loss(h,y)            loss1.backward()            opt.step()            running_loss+=loss1.item()            if index0==99:                avg_loos=running_loss/100                running_loss=0                print("avg_loss",avg_loos)

8.保存模型

torch.save(model.state_dict(),'resnet18.pth')

9.加载测试集数据，进行模型测试

首先加载训练好的模型

model.load_state_dict(torch.load('resnet18.pth'),False)

读取数据

 test = tv.datasets.ImageFolder(        root=r'E:\桌面\资料\cv3\数据',        transform=transs,    )    testloader = data.DataLoader(        test,        batch_size=16,        shuffle=False,    )

测试数据

acc=0total=0    for data in testloader:        inputs,indel=data        out=model(inputs.cuda())        _,prediction=torch.max(out.cpu(),1)        total+=indel.size(0)        b=(prediction==indel)        acc+=b.sum()    print("准确率%d %%"%(100*acc/total))

四、resnet深层对比

上面提到VGG网络层次越深，准确率越低，为了解决这一问题，才提出了残差网络（resnet），那么在resnet网络中，到底会不会出现这一问题。

如图所示：随着，训练层次不断提高，模型越来越好，成功解决了VGG网络的问题，到现在为止，残差网络还是被大多数人使用。

关于"Pytorch深度学习经典卷积神经网络resnet模块实例分析"的内容就介绍到这里了，感谢大家的阅读。如果想了解更多行业相关的知识，可以关注行业资讯频道，小编每天都会为大家更新不同的知识点。