Pytorch深度學習經典卷積神經網絡resnet模塊實例分析

這篇文章主要介紹“Pytorch深度學習經典卷積神經網絡resnet模塊實例分析”的相關知識，小編通過實際案例向大家展示操作過程，操作方法簡單快捷，實用性強，希望這篇“Pytorch深度學習經典卷積神經網絡resnet模塊實例分析”文章能幫助大家解決問題。

前言

隨著深度學習的不斷發展，從開山之作Alexnet到VGG，網絡結構不斷優化，但是在VGG網絡研究過程中，人們發現隨著網絡深度的不斷提高，準確率卻沒有得到提高，如圖所示：

人們覺得深度學習到此就停止了，不能繼續研究了，但是經過一段時間的發展，殘差網絡（resnet）解決了這一問題。

一、resnet

如圖所示：簡單來說就是保留之前的特征，有時候當圖片經過卷積進行特征提取，得到的結果反而沒有之前的很好，所以resnet提出保留之前的特征，這里還需要經過一些處理，在下面代碼講解中將詳細介紹。

二、resnet網絡結構

本文將主要介紹resnet18

三、resnet18

1.導包

import torch
import torchvision.transforms as trans
import torchvision as tv
import torch.nn as nn
from torch.autograd import Variable
from torch.utils import data
from torch.optim import lr_scheduler

2.殘差模塊

這個模塊完成的功能如圖所示：

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.通道數翻倍殘差模塊

模塊完成功能如圖所示：

在這個模塊中，要注意原始圖像的通道數要進行翻倍，要不然后面是不能進行相加。

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模塊

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

這個網絡簡單來說16層卷積，1層全連接，訓練參數相對較少，模型相對來說比較簡單。

4.數據測試

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

5.損失函數，優化器

損失函數

loss=nn.CrossEntropyLoss()

在優化器中，將學習率進行每10步自動衰減

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)

在這里可以看一下對比圖，發現添加學習率自動衰減，loss下降速度會快一些，這說明模型擬合效果比較好。

6.加載數據集，數據增強

這里我們仍然選擇cifar10數據集，首先對數據進行增強，增加模型的泛華能力。

  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函數中brightness（亮度）contrast（對比度）saturation（飽和度）hue（色調）

加載cifar10數據集：

    train=tv.datasets.CIFAR10(
        root=r'E:\桌面\資料\cv3\數據集\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.訓練數據

    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 index%100==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.加載測試集數據，進行模型測試

首先加載訓練好的模型

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

讀取數據

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

測試數據

acc=0
total=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("準確率%d %%"%(100*acc/total))

四、resnet深層對比

上面提到VGG網絡層次越深，準確率越低，為了解決這一問題，才提出了殘差網絡（resnet），那么在resnet網絡中，到底會不會出現這一問題。

如圖所示：隨著，訓練層次不斷提高，模型越來越好，成功解決了VGG網絡的問題，到現在為止，殘差網絡還是被大多數人使用。

關于“Pytorch深度學習經典卷積神經網絡resnet模塊實例分析”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識，可以關注億速云行業資訊頻道，小編每天都會為大家更新不同的知識點。