本章代码:https://github.com/zhangxiann/PyTorch_Practice/blob/master/lesson8/resnet_inference.py
这篇文章主要介绍了 图像分类的 inference,其中会着重介绍 ResNet
。
模型概览
在torchvision.model
中,有很多封装好的模型。
ResNet18 使用
以 ResNet 18
为例。
首先加载训练好的模型参数:
复制 resnet18 = models.resnet18()
# 修改全连接层的输出
num_ftrs = resnet18.fc.in_features
resnet18.fc = nn.Linear(num_ftrs, 2)
# 加载模型参数
checkpoint = torch.load(m_path)
resnet18.load_state_dict(checkpoint['model_state_dict'])
然后比较重要的是把模型放到 GPU 上,并且转换到eval
模式:
复制 resnet18.to(device)
resnet18.eval()
在inference 时,主要流程如下:
代码要放在with torch.no_grad():
下。torch.no_grad()
会关闭反向传播,可以减少内存、加快速度。
根据路径读取图片,把图片转换为 tensor,然后使用unsqueeze_(0)
方法把形状扩大为$B \times C \times H \times W$,再把 tensor 放到 GPU 上 。
模型的输出数据outputs
的形状是$1 \times 2$,表示 batch_size
为 1,分类数量为 2。torch.max(outputs,0)
是返回outputs
中每一列 最大的元素和索引,torch.max(outputs,1)
是返回outputs
中每一行 最大的元素和索引。
这里使用_, pred_int = torch.max(outputs.data, 1)
返回最大元素的索引,然后根据索引获得 label:pred_str = classes[int(pred_int)]
。
关键代码如下:
复制 with torch.no_grad():
for idx, img_name in enumerate(img_names):
path_img = os.path.join(img_dir, img_name)
# step 1/4 : path --> img
img_rgb = Image.open(path_img).convert('RGB')
# step 2/4 : img --> tensor
img_tensor = img_transform(img_rgb, inference_transform)
img_tensor.unsqueeze_(0)
img_tensor = img_tensor.to(device)
# step 3/4 : tensor --> vector
outputs = resnet18(img_tensor)
# step 4/4 : get label
_, pred_int = torch.max(outputs.data, 1)
pred_str = classes[int(pred_int)]
全部代码如下所示:
复制 import os
import time
import torch.nn as nn
import torch
import torchvision.transforms as transforms
from PIL import Image
from matplotlib import pyplot as plt
import torchvision.models as models
import enviroments
BASE_DIR = os.path.dirname(os.path.abspath(__file__))
# device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
device = torch.device("cpu")
# config
vis = True
# vis = False
vis_row = 4
norm_mean = [0.485, 0.456, 0.406]
norm_std = [0.229, 0.224, 0.225]
inference_transform = transforms.Compose([
transforms.Resize(256),
transforms.CenterCrop(224),
transforms.ToTensor(),
transforms.Normalize(norm_mean, norm_std),
])
classes = ["ants", "bees"]
def img_transform(img_rgb, transform=None):
"""
将数据转换为模型读取的形式
:param img_rgb: PIL Image
:param transform: torchvision.transform
:return: tensor
"""
if transform is None:
raise ValueError("找不到transform!必须有transform对img进行处理")
img_t = transform(img_rgb)
return img_t
def get_img_name(img_dir, format="jpg"):
"""
获取文件夹下format格式的文件名
:param img_dir: str
:param format: str
:return: list
"""
file_names = os.listdir(img_dir)
# 使用 list(filter(lambda())) 筛选出 jpg 后缀的文件
img_names = list(filter(lambda x: x.endswith(format), file_names))
if len(img_names) < 1:
raise ValueError("{}下找不到{}格式数据".format(img_dir, format))
return img_names
def get_model(m_path, vis_model=False):
resnet18 = models.resnet18()
# 修改全连接层的输出
num_ftrs = resnet18.fc.in_features
resnet18.fc = nn.Linear(num_ftrs, 2)
# 加载模型参数
checkpoint = torch.load(m_path)
resnet18.load_state_dict(checkpoint['model_state_dict'])
if vis_model:
from torchsummary import summary
summary(resnet18, input_size=(3, 224, 224), device="cpu")
return resnet18
if __name__ == "__main__":
img_dir = os.path.join(enviroments.hymenoptera_data_dir,"val/bees")
model_path = "./checkpoint_14_epoch.pkl"
time_total = 0
img_list, img_pred = list(), list()
# 1. data
img_names = get_img_name(img_dir)
num_img = len(img_names)
# 2. model
resnet18 = get_model(model_path, True)
resnet18.to(device)
resnet18.eval()
with torch.no_grad():
for idx, img_name in enumerate(img_names):
path_img = os.path.join(img_dir, img_name)
# step 1/4 : path --> img
img_rgb = Image.open(path_img).convert('RGB')
# step 2/4 : img --> tensor
img_tensor = img_transform(img_rgb, inference_transform)
img_tensor.unsqueeze_(0)
img_tensor = img_tensor.to(device)
# step 3/4 : tensor --> vector
time_tic = time.time()
outputs = resnet18(img_tensor)
time_toc = time.time()
# step 4/4 : visualization
_, pred_int = torch.max(outputs.data, 1)
pred_str = classes[int(pred_int)]
if vis:
img_list.append(img_rgb)
img_pred.append(pred_str)
if (idx+1) % (vis_row*vis_row) == 0 or num_img == idx+1:
for i in range(len(img_list)):
plt.subplot(vis_row, vis_row, i+1).imshow(img_list[i])
plt.title("predict:{}".format(img_pred[i]))
plt.show()
plt.close()
img_list, img_pred = list(), list()
time_s = time_toc-time_tic
time_total += time_s
print('{:d}/{:d}: {} {:.3f}s '.format(idx + 1, num_img, img_name, time_s))
print("\ndevice:{} total time:{:.1f}s mean:{:.3f}s".
format(device, time_total, time_total/num_img))
if torch.cuda.is_available():
print("GPU name:{}".format(torch.cuda.get_device_name()))
总结一下 inference 阶段需要注意的事项:
确保 model 处于 eval 状态,而非 trainning 状态
设置 torch.no_grad(),减少内存消耗,加快运算速度
数据预处理需要保持一致,比如 RGB 或者 rBGR
残差连接
以 ResNet 为例:
shortcut
路径大致可以分成2种,取决于残差路径是否改变了feature map
数量和尺寸。
另一种则需要经过$1×1$卷积来升维或者降采样,主要作用是将输出与$F(x)$路径的输出保持shape
一致,对网络性能的提升并不明显。
两种结构如下图所示:
网络结构
ResNet 有很多变种,包括 ResNet 18
、ResNet 34
、ResNet 50
、ResNet 101
、ResNet 152
,网络结构对比如下:
输入的图片形状是$3 \times 224 \times 224$。
图片经过 conv1
层,输出图片大小为 $ 64 \times 112 \times 112$。
图片经过 max pool
层,输出图片大小为 $ 64 \times 56 \times 56 $。
图片经过 conv2
层,输出图片大小为 $ 64 \times 56 \times 56$。(注意,图片经过这个 layer
, 大小是不变的)
图片经过 conv3
层,输出图片大小为 $ 128 \times 28 \times 28$。
图片经过 conv4
层,输出图片大小为 $ 256 \times 14 \times 14$。
图片经过 conv5
层,输出图片大小为 $ 512 \times 7 \times 7$。
图片经过 avg pool
层,输出大小为 $ 512 \times 1 \times 1$。
图片经过 fc
层,输出维度为 $ num_classes$,表示每个分类的 logits
。
下面,我们称每个 conv
层为一个 layer
(第一个 conv
层就是一个卷积层,因此第一个 conv
层除外)。
其中 ResNet 18
、ResNet 34
的每个 layer
由多个 BasicBlock
组成,只是每个 layer
里堆叠的 BasicBlock
数量不一样。
而 ResNet 50
、ResNet 101
、ResNet 152
的每个 layer
由多个 Bottleneck
组成,只是每个 layer
里堆叠的 Bottleneck
数量不一样。
源码分析
我们来看看各个 ResNet
的源码,首先从构造函数开始。
构造函数
ResNet 18
resnet18
的构造函数如下。
[2, 2, 2, 2]
表示有 4 个 layer
,每个 layer 中有 2 个 BasicBlock
。
conv1
为 1 层,conv2
、conv3
、conv4
、conv5
均为 4 层(每个 layer
有 2 个 BasicBlock
,每个 BasicBlock
有 2 个卷积层),总共为 16 层,最后一层全连接层,$总层数 = 1+ 4 \times 4 + 1 = 18$,依此类推。
复制 def resnet18(pretrained=False, progress=True, **kwargs):
r"""ResNet-18 model from
`"Deep Residual Learning for Image Recognition" <https://arxiv.org/pdf/1512.03385.pdf>`_
Args:
pretrained (bool): If True, returns a model pre-trained on ImageNet
progress (bool): If True, displays a progress bar of the download to stderr
"""
return _resnet('resnet18', BasicBlock, [2, 2, 2, 2], pretrained, progress,
**kwargs)
ResNet 34
resnet 34
的构造函数如下。
[3, 4, 6, 3]
表示有 4 个 layer
,每个 layer
的 BasicBlock
数量分别为 3, 4, 6, 3。
复制 def resnet34(pretrained=False, progress=True, **kwargs):
r"""ResNet-34 model from
`"Deep Residual Learning for Image Recognition" <https://arxiv.org/pdf/1512.03385.pdf>`_
Args:
pretrained (bool): If True, returns a model pre-trained on ImageNet
progress (bool): If True, displays a progress bar of the download to stderr
"""
return _resnet('resnet34', BasicBlock, [3, 4, 6, 3], pretrained, progress,
**kwargs)
ResNet 50
resnet 34
的构造函数如下。
[3, 4, 6, 3]
表示有 4 个 layer
,每个 layer
的 Bottleneck
数量分别为 3, 4, 6, 3。
复制 def resnet50(pretrained=False, progress=True, **kwargs):
r"""ResNet-50 model from
`"Deep Residual Learning for Image Recognition" <https://arxiv.org/pdf/1512.03385.pdf>`_
Args:
pretrained (bool): If True, returns a model pre-trained on ImageNet
progress (bool): If True, displays a progress bar of the download to stderr
"""
return _resnet('resnet50', Bottleneck, [3, 4, 6, 3], pretrained, progress,
**kwargs)
依此类推,ResNet 101
和 ResNet 152
也是由多个 layer
组成的。
_resnet()
上面所有的构造函数中,都调用了 _resnet()
方法来创建网络,下面来看看 _resnet()
方法。
复制 def _resnet(arch, block, layers, pretrained, progress, **kwargs):
model = ResNet(block, layers, **kwargs)
# 加载预训练好的模型参数
if pretrained:
state_dict = load_state_dict_from_url(model_urls[arch],
progress=progress)
model.load_state_dict(state_dict)
return model
可以看到,在 _resnet()
方法中,又调用了 ResNet()
方法创建模型,然后加载训练好的模型参数。
ResNet()
首先来看 ResNet()
方法的构造函数。
构造函数
构造函数的重要参数如下:
block:每个 layer
里面使用的 block
,可以是 BasicBlock
Bottleneck
。
num_classes:分类数量,用于构建最后的全连接层。
layers:一个 list,表示每个 layer
中 block
的数量。
构造函数的主要流程如下:
判断是否传入 norm_layer
,没有传入,则使用 BatchNorm2d
。
判断是否传入孔洞卷积参数 replace_stride_with_dilation
,如果不指定,则赋值为 [False, False, False]
,表示不使用孔洞卷积。
读取分组卷积的参数 groups
,width_per_group
。
conv1
层的结构是 Conv2d -> norm_layer -> ReLU
。
复制 self.conv1 = nn.Conv2d(3, self.inplanes, kernel_size=7, stride=2, padding=3, bias=False)
self.bn1 = norm_layer(self.inplanes)
self.relu = nn.ReLU(inplace=True)
conv2
层的代码如下,对应于 layer1
,这个 layer
的参数没有指定 stride
,默认 stride=1
,因此这个 layer
不会改变图片大小:
复制 self.layer1 = self._make_layer(block, 64, layers[0])
conv3
层的代码如下,对应于 layer2
(注意这个 layer
指定 stride=2
,会降采样,详情看下面 _make_layer
的讲解):
复制 self.layer2 = self._make_layer(block, 128, layers[1], stride=2, dilate=replace_stride_with_dilation[0])
conv4
层的代码如下,对应于 layer3
(注意这个 layer
指定 stride=2
,会降采样,详情看下面 _make_layer
的讲解):
复制 self.layer3 = self._make_layer(block, 256, layers[2], stride=2,
dilate=replace_stride_with_dilation[1])
conv5
层的代码如下,对应于 layer4
(注意这个 layer
指定 stride=2
,会降采样,详情看下面 _make_layer
的讲解):
复制 self.layer4 = self._make_layer(block, 512, layers[3], stride=2,
dilate=replace_stride_with_dilation[2])
接着是 AdaptiveAvgPool2d
层和 fc
层。
最后是网络参数的初始:
卷积层采用 kaiming_normal_()
初始化方法。
bn
层和 GroupNorm
层初始化为 weight=1
,bias=0
。
其中每个 BasicBlock
和 Bottleneck
的最后一层 bn
的 weight=0
,可以提升准确率 0.2~0.3%。
完整的构造函数代码如下:
复制 def __init__(self, block, layers, num_classes=1000, zero_init_residual=False,
groups=1, width_per_group=64, replace_stride_with_dilation=None,
norm_layer=None):
super(ResNet, self).__init__()
# 使用 bn 层
if norm_layer is None:
norm_layer = nn.BatchNorm2d
self._norm_layer = norm_layer
self.inplanes = 64
self.dilation = 1
if replace_stride_with_dilation is None:
# each element in the tuple indicates if we should replace
# the 2x2 stride with a dilated convolution instead
replace_stride_with_dilation = [False, False, False]
if len(replace_stride_with_dilation) != 3:
raise ValueError("replace_stride_with_dilation should be None "
"or a 3-element tuple, got {}".format(replace_stride_with_dilation))
self.groups = groups
self.base_width = width_per_group
# 对应于 conv1
self.conv1 = nn.Conv2d(3, self.inplanes, kernel_size=7, stride=2, padding=3,
bias=False)
self.bn1 = norm_layer(self.inplanes)
self.relu = nn.ReLU(inplace=True)
# 对应于 conv2
self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
self.layer1 = self._make_layer(block, 64, layers[0])
# 对应于 conv3
self.layer2 = self._make_layer(block, 128, layers[1], stride=2,
dilate=replace_stride_with_dilation[0])
对应于 conv4
self.layer3 = self._make_layer(block, 256, layers[2], stride=2,
dilate=replace_stride_with_dilation[1])
对应于 conv5
self.layer4 = self._make_layer(block, 512, layers[3], stride=2,
dilate=replace_stride_with_dilation[2])
self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
self.fc = nn.Linear(512 * block.expansion, num_classes)
for m in self.modules():
if isinstance(m, nn.Conv2d):
nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
elif isinstance(m, (nn.BatchNorm2d, nn.GroupNorm)):
nn.init.constant_(m.weight, 1)
nn.init.constant_(m.bias, 0)
# Zero-initialize the last BN in each residual branch,
# so that the residual branch starts with zeros, and each residual block behaves like an identity.
# This improves the model by 0.2~0.3% according to https://arxiv.org/abs/1706.02677
if zero_init_residual:
for m in self.modules():
if isinstance(m, Bottleneck):
nn.init.constant_(m.bn3.weight, 0)
elif isinstance(m, BasicBlock):
nn.init.constant_(m.bn2.weight, 0)
forward()
在 ResNet
中,网络经过层层封装,因此forward()
方法非常简洁。
数据变换大致流程如下:
输入的图片形状是$3 \times 224 \times 224$。
图片经过 conv1
层,输出图片大小为 $ 64 \times 112 \times 112$。
图片经过 max pool
层,输出图片大小为 $ 64 \times 56 \times 56 $。
对于 ResNet 18
、ResNet 34
(使用 BasicBlock
):
图片经过 conv2
层,对应于 layer1
,输出图片大小为 $ 64 \times 56 \times 56$。(注意,图片经过这个 layer
, 大小是不变的)
图片经过 conv3
层,对应于 layer2
,输出图片大小为 $ 128 \times 28 \times 28$。
图片经过 conv4
层,对应于 layer3
,输出图片大小为 $ 256 \times 14 \times 14$。
图片经过 conv5
层,对应于 layer4
,输出图片大小为 $ 512 \times 7 \times 7$。
图片经过 avg pool
层,输出大小为 $ 512 \times 1 \times 1$。
对于 ResNet 50
、ResNet 101
、ResNet 152
(使用 Bottleneck
):
图片经过 conv2
层,对应于 layer1
,输出图片大小为 $ 256 \times 56 \times 56$。(注意,图片经过这个 layer
, 大小是不变的)
图片经过 conv3
层,对应于 layer2
,输出图片大小为 $ 512 \times 28 \times 28$。
图片经过 conv4
层,对应于 layer3
,输出图片大小为 $ 1024 \times 14 \times 14$。
图片经过 conv5
层,对应于 layer4
,输出图片大小为 $ 2048 \times 7 \times 7$。
图片经过 avg pool
层,输出大小为 $ 2048 \times 1 \times 1$。
图片经过 fc
层,输出维度为 $ num_classes$,表示每个分类的 logits
。
复制 def _forward_impl(self, x):
# See note [TorchScript super()]
# conv1
# x: [3, 224, 224] -> [64, 112, 112]
x = self.conv1(x)
x = self.bn1(x)
x = self.relu(x)
# conv2
# x: [64, 112, 112] -> [64, 56, 56]
x = self.maxpool(x)
# x: [64, 56, 56] -> [64, 56, 56]
# x 经过第一个 layer, 大小是不变的
x = self.layer1(x)
# conv3
# x: [64, 56, 56] -> [128, 28, 28]
x = self.layer2(x)
# conv4
# x: [128, 28, 28] -> [256, 14, 14]
x = self.layer3(x)
# conv5
# x: [256, 14, 14] -> [512, 7, 7]
x = self.layer4(x)
# x: [512, 7, 7] -> [512, 1, 1]
x = self.avgpool(x)
x = torch.flatten(x, 1)
x = self.fc(x)
return x
在构造函数中可以看到,上面每个 layer
都是使用 _make_layer()
方法来创建层的,下面来看下 _make_layer()
方法。
_make_layer()
_make_layer()
方法的参数如下:
block:每个 layer
里面使用的 block
,可以是 BasicBlock
,Bottleneck
。
blocks:一个整数,表示该层 layer
有多少个 block
。
stride:第一个 block
的卷积层的 stride
,默认为 1。注意,只有在每个 layer
的第一个 block
的第一个卷积层使用该参数。
主要流程如下:
判断孔洞卷积,计算 previous_dilation
参数。
判断 stride
是否为 1,输入通道和输出通道是否相等。如果这两个条件都不成立,那么表明需要建立一个 1 X 1 的卷积层,来改变通道数和改变图片大小 。具体是建立 downsample
层,包括 conv1x1 -> norm_layer
。
建立第一个 block
,把 downsample
传给 block
作为降采样的层,并且 stride
也使用传入的 stride
(stride=2)。后面我们会分析 downsample
层在 BasicBlock
和 Bottleneck
中,具体是怎么用的 。
改变通道数self.inplanes = planes * block.expansion
。
在 BasicBlock
里,expansion=1
,因此这一步不会改变通道数 。
在 Bottleneck
里,expansion=4
,因此这一步会改变通道数 。
图片经过第一个 block
后,就会改变通道数和图片大小。接下来 for 循环添加剩下的 block
。从第 2 个 block
起,输入和输出通道数是相等的,因此就不用传入 downsample
和 stride
(那么 block
的 stride
默认使用 1,下面我们会分析 BasicBlock
和 Bottleneck
的源码)。
复制 def _make_layer(self, block, planes, blocks, stride=1, dilate=False):
norm_layer = self._norm_layer
downsample = None
previous_dilation = self.dilation
if dilate:
self.dilation *= stride
stride = 1
# 首先判断 stride 是否为1,输入通道和输出通道是否相等。不相等则使用 1 X 1 的卷积改变大小和通道
#作为 downsample
# 在 Resnet 中,每层 layer 传入的 stride =2
if stride != 1 or self.inplanes != planes * block.expansion:
downsample = nn.Sequential(
conv1x1(self.inplanes, planes * block.expansion, stride),
norm_layer(planes * block.expansion),
)
layers = []
# 然后添加第一个 basic block,把 downsample 传给 BasicBlock 作为降采样的层。
layers.append(block(self.inplanes, planes, stride, downsample, self.groups,
self.base_width, previous_dilation, norm_layer))
# 修改输出的通道数
self.inplanes = planes * block.expansion
# 继续添加这个 layer 里接下来的 BasicBlock
for _ in range(1, blocks):
layers.append(block(self.inplanes, planes, groups=self.groups,
base_width=self.base_width, dilation=self.dilation,
norm_layer=norm_layer))
return nn.Sequential(*layers)
下面来看 BasicBlock
和 Bottleneck
的源码。
BasicBlock
构造函数
BasicBlock
构造函数的主要参数如下:
downsample:从 layer
中传入的 downsample
层。
base_width:每组卷积的通道数,使用 64
dilation:孔洞卷积,为1,表示不使用 孔洞卷积
主要流程如下:
首先判断是否传入了 norm_layer
层,如果没有,则使用 BatchNorm2d
。
校验参数:groups == 1
,base_width == 64
,dilation == 1
。也就是说,在 BasicBlock
中,不使用孔洞卷积和分组卷积。
定义第 1 组 conv3x3 -> norm_layer -> relu
,这里使用传入的 stride
和 inplanes
。(如果是 layer2
, layer3
, layer4
里的第一个 BasicBlock
,那么 stride=2
,这里会降采样和改变通道数 )。
定义第 2 组 conv3x3 -> norm_layer -> relu
,这里不使用传入的 stride
(默认为 1),输入通道数和输出通道数使用planes
,也就是不需要降采样和改变通道数 。
复制 class BasicBlock(nn.Module):
expansion = 1
__constants__ = ['downsample']
def __init__(self, inplanes, planes, stride=1, downsample=None, groups=1,
base_width=64, dilation=1, norm_layer=None):
super(BasicBlock, self).__init__()
if norm_layer is None:
norm_layer = nn.BatchNorm2d
if groups != 1 or base_width != 64:
raise ValueError('BasicBlock only supports groups=1 and base_width=64')
if dilation > 1:
raise NotImplementedError("Dilation > 1 not supported in BasicBlock")
# Both self.conv1 and self.downsample layers downsample the input when stride != 1
self.conv1 = conv3x3(inplanes, planes, stride)
self.bn1 = norm_layer(planes)
self.relu = nn.ReLU(inplace=True)
self.conv2 = conv3x3(planes, planes)
self.bn2 = norm_layer(planes)
self.downsample = downsample
self.stride = stride
forward()
forward()
方法的主要流程如下:
x
赋值给 identity
,用于后面的 shortcut
连接。
x
经过第 1 组 conv3x3 -> norm_layer -> relu
,如果是 layer2
,layer3
,layer4
里的第一个 BasicBlock
,那么 stride=2
,第一个卷积层会降采样。
x
经过第 1 组 conv3x3 -> norm_layer
,得到 out
。
如果是 layer2
,layer3
,layer4
里的第一个 BasicBlock
,那么 downsample
不为空,会经过 downsample
层,得到 identity
。
最后将 identity
和 out
相加,经过 relu
,得到输出。
注意,2 个卷积层都需要经过 relu
层,但它们使用的是同一个 relu
层。
复制 def forward(self, x):
identity = x
# 如果是 layer2,layer3,layer4 里的第一个 BasicBlock,第一个卷积层会降采样
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
if self.downsample is not None:
identity = self.downsample(x)
out += identity
out = self.relu(out)
return out
Bottleneck
构造函数
参数如下:
downsample:从 layer
中传入的 downsample
层。
base_width:每组卷积的通道数,使用 64
dilation:孔洞卷积,为1,表示不使用 孔洞卷积
主要流程如下:
首先判断是否传入了 norm_layer
层,如果没有,则使用 BatchNorm2d
。
计算 width
,等于传入的 planes
,用于中间的 $ 3 \times 3 $ 卷积。
定义第 1 组 conv1x1 -> norm_layer
,这里不使用传入的 stride
,使用 width
,作用是进行降维,减少通道数。
定义第 2 组 conv3x3 -> norm_layer
,这里使用传入的 stride
,输入通道数和输出通道数使用width
。(如果是 layer2
, layer3
, layer4
里的第一个 Bottleneck
,那么 stride=2
,这里会降采样 )。
定义第 3 组 conv1x1 -> norm_layer
,这里不使用传入的 stride
,使用 planes * self.expansion
,作用是进行升维,增加通道数。
复制 class Bottleneck(nn.Module):
expansion = 4
__constants__ = ['downsample']
def __init__(self, inplanes, planes, stride=1, downsample=None, groups=1,
base_width=64, dilation=1, norm_layer=None):
super(Bottleneck, self).__init__()
if norm_layer is None:
norm_layer = nn.BatchNorm2d
# base_width = 64
# groups =1
# width = planes
width = int(planes * (base_width / 64.)) * groups
# Both self.conv2 and self.downsample layers downsample the input when stride != 1
# 1x1 的卷积是为了降维,减少通道数
self.conv1 = conv1x1(inplanes, width)
self.bn1 = norm_layer(width)
# 3x3 的卷积是为了改变图片大小,不改变通道数
self.conv2 = conv3x3(width, width, stride, groups, dilation)
self.bn2 = norm_layer(width)
# 1x1 的卷积是为了升维,增加通道数,增加到 planes * 4
self.conv3 = conv1x1(width, planes * self.expansion)
self.bn3 = norm_layer(planes * self.expansion)
self.relu = nn.ReLU(inplace=True)
self.downsample = downsample
self.stride = stride
forward()
forward()
方法的主要流程如下:
x
赋值给 identity
,用于后面的 shortcut
连接。
x
经过第 1 组 conv1x1 -> norm_layer -> relu
,作用是进行降维,减少通道数。
x
经过第 2 组 conv3x3 -> norm_layer -> relu
。如果是 layer2
,layer3
,layer4
里的第一个 Bottleneck
,那么 stride=2
,第一个卷积层会降采样。
x
经过第 1 组 conv1x1 -> norm_layer -> relu
,作用是进行降维,减少通道数。
如果是 layer2
,layer3
,layer4
里的第一个 Bottleneck
,那么 downsample
不为空,会经过 downsample
层,得到 identity
。
最后将 identity
和 out
相加,经过 relu
,得到输出。
注意,3 个卷积层都需要经过 relu
层,但它们使用的是同一个 relu
层。
复制 def forward(self, x):
identity = 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:
identity = self.downsample(x)
out += identity
out = self.relu(out)
return out
总结
最后,总结一下。
BasicBlock
中有 1 个 $3 \times 3 $卷积层,如果是 layer
的第一个 BasicBlock
,那么第一个卷积层的 stride=2
,作用是进行降采样。
Bottleneck
中有 2 个 $1 \times 1 $卷积层, 1 个 $3 \times 3 $ 卷积层。先经过第 1 个 $1 \times 1 $卷积层,进行降维,然后经过 $3 \times 3 $卷积层(如果是 layer
的第一个 Bottleneck
,那么 $3 \times 3 $ 卷积层的 stride=2
,作用是进行降采样),最后经过 $1 \times 1 $卷积层,进行升维 。
ResNet 18 图解
layer1
下面是 ResNet 18
,使用的是 BasicBlock
的 layer1
,特点是没有进行降采样,卷积层的 stride = 1
,不会降采样。在进行 shortcut
连接时,也没有经过 downsample
层。
layer2,layer3,layer4
而 layer2
,layer3
,layer4
的结构图如下,每个 layer
包含 2 个 BasicBlock
,但是第 1 个 BasicBlock
的第 1 个卷积层的 stride = 2
,会进行降采样。在进行 shortcut
连接时,会经过 downsample
层,进行降采样和降维 。
ResNet 50 图解
layer1
在 layer1
中,首先第一个 Bottleneck
只会进行升维,不会降采样。shortcut
连接前,会经过 downsample
层升维处理。第二个 Bottleneck
的 shortcut
连接不会经过 downsample
层。
layer2,layer3,layer4
而 layer2
,layer3
,layer4
的结构图如下,每个 layer
包含多个 Bottleneck
,但是第 1 个 Bottleneck
的 $ 3 \times 3 $ 卷积层的 stride = 2
,会进行降采样。在进行 shortcut
连接时,会经过 downsample
层,进行降采样和降维 。
参考资料
如果你觉得这篇文章对你有帮助,不妨点个赞,让我有更多动力写出好文章。
我的文章会首发在公众号上,欢迎扫码关注我的公众号张贤同学 。