ResNet50模型（resnet50模型介绍）



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：

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。

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

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

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

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

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

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

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

F21经过 1024x1000的fc ,再经过bn,softmax输出1000类的概率值。

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/rfx/36691.html