ResNet50的源码路径为mmdet/models/backbones/resnet.py。
ResNet系列网络是经典网络之一，后续很多变种（如ResNeXt和ResNeSt等）和其他网络都借鉴了其残差块结构，首先先对一些结构名词做一些解释，便于理解。残差块，即Residual Block，也就是接下来要讲解的BasicBlock和Bottleneck两个基本模块，若干卷积层、归一化层和激活层构成上述两个基本模块，若干基本模块构成一个stage，若干stage构成整体的网络。
ResNet根据网络层数不同，可分为5个模型。分别是ResNet-18、ResNet-34、ResNet-50、ResNet-101和ResNet-152。
除了网络层数不同外，构成模型的基础结构也有所差异，ResNet-18和ResNet-34的基础结构为BasicBlock，其他模型的基础结构为Bottleneck。两者的结构如下图所示（图像截取自B站大佬的讲解视频），左侧为BasicBlock结构，右侧为Bottleneck结构。
该结构较为简单，__init__()中定义了相关的卷积、归一化和激活函数操作，forward()中定义特征图的前向传播路径。
需要注意的是，每个stage之间输出特征矩阵的维度不同，例如第一个stage（即表格中的conv2_x）输出特征矩阵为56*56*64，该特征矩阵作为输入，会输入到第二个stage（即表格中的conv3_x）中，因此第二个stage中的第一个BasicBlock的捷径分支需要对channel维度进行相应的升维处理，由64变为128,；同时主分支对空间维度进行下采样，由56*56变为28*28，对通道维度进行升维处理，由64变为128，最后完成相加操作。
因此，我们需要对每一个stage的第一个残差块做特殊设置。
该结构是构建层数较深模型的基本结构，采用1×1的卷积操作目的是减少参数量，特别是在层数较多的模型中，可以减少相当数量的参数，具体参数量的计算参考讲解视频。
在初始化函数中，style关键字参数有'pytorch'和'caffe'两种选择，区别在于前者将stride=2（即空间维度的下采样操作）整合在3×3卷积中，后者整合在第一个1×1卷积中；
同时，该结构还支持plugin（类似于插件），插入的位置在三个卷积层之后；
首先介绍结构配置：
结构配置中指定了网络深度，残差块类型和每个stage中残差块的个数；
接下来介绍初始化参数的含义：
由于篇幅有限，暂不解析源码中每个函数的实现过程，大家可根据参数的含义推断函数功能并自行阅读源码。
到此这篇Resnet101模型（resnet101模型FLOPs）的文章就介绍到这了,更多相关内容请继续浏览下面的相关推荐文章，希望大家都能在编程的领域有一番成就！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/44803.html