下图为包含有18层(17个卷积层和1个全连接层)、34层(33个卷积层和1个全连接层)、50层(49个卷积层和1个全连接层)、101层(100个卷积层和1个全连接层)、152层(151个卷积层和1个全连接层)的resnet结构
下图是论文中给出的两种残差结构。左边的残差结构是针对层数较少网络，例如ResNet18层和ResNet34层网络。右边是针对网络层数较多的网络，例如ResNet101，ResNet152等。右侧的残差结构能够减少网络参数与运算量。同样输入、输出一个channel为256的特征矩阵，如果使用左侧的残差结构需要大约个参数，但如果使用右侧的残差结构只需要69632个参数。明显搭建深层网络时，使用右侧的残差结构更合适。
实线对应的残差结构输出的shape和输出的shape是一样的，可以直接相加
虚线对应的残差结构是输入的shape和输出的shape不一样的
下图为以34层结构为例的详细结构图，虚线部分对应上图中虚线残差结构，实线部分对应上图中实线残差结构
首先来看一下组卷积，即把输入特征矩阵分为g组，对每一组分别进行卷积操作，然后再把每一组的结果进行concat拼接。使用组卷积会减少模型参数量
ResNeXt是把ResNet中高层(50层、101层…)的残差结构替换为了右边的结构
对于ResNeXt的block，第二层用的是group conv
model.py
train.py
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。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。如发现本站有涉嫌侵权/违法违规的内容，请联系我们，一经查实，本站将立刻删除。
如需转载请保留出处：https://51itzy.com/kjqy/144506.html