resnet18网络结构分类（resnet152网络结构）

科技前沿 • 2025-06-07 13:45 • 阅读 37

大家好，我是讯享网，很高兴认识大家。

前面一篇内容讲解了如何利用Pytorch实现ResNet，这一篇我们用ResNet18实现一个二分类。接下来从模型、数据及训练三个方面展开。

利用ResNet18将以下数据分为两类

class_0

讯享网

class_1

ResNet系列的模型在上一篇已经详细介绍了，这里采用ResNet18。

1. 模型导入

在库中已经有一些常用模型，我们这里直接引入即可。

讯享网

2. 修改输出层

可以看到库里面自带的ResNet模型最后经过全局最大池化后接的输出是1000类，但这里只有两类，所以需要对最后输出层进行修改。

讯享网

3. 模型可视化

为了更直观理解网络，这里采用查看网络结构。下图是网络前面几层的结构图。

模型确定以后，我们接下来依据模型输入，制作数据集。如下图所示，原始论文中输入大小为224*224，经过5次卷积后特征图大小依次变为112 * 112 ==> 56 * 56 ==> 28 * 28 ==> 14 * 14 ==> 7 * 7，最后经过全局池化变为 1 * 1 共512维。由于这里设计了全局池化层，所以对输入不一定限制为224 * 224的大小。

这里考虑到数据本身比较小，因此输入大小统一为64 * 64。接下来依据以上内容一步一步实现数据集制作。

1. 原始数据分文件存储

将原始图片按类型分别存在不同的文件夹下，其目录结构如下

2. 数据预处理

通道转换，将图片转为RGB格式，（png图片读取会变成RGBA）

讯享网

考虑到原始图片可能大小不一，这里需要进行缩放，将其变为64 * 64

为了训练时更快的收敛，这里对输入图片进行归一化处理，即减去均值后除以方差。

讯享网

3. 数据增强

由于数据量较少，这里对数据集进行增强处理，进行旋转和裁剪

4. 数据加载器

pytorch提供了数据加载器，定义自己数据集的时候只需要继承Dataset类，然后重写，和三个方法即可，其中可以用来初始化一些变量，返回数据集大小，返回指定索引对应的数据。

讯享网

接下来我们依据数据集编写数据类

mydataset.py

5. 测试及可视化

验证数据类是否正确，指定索引后，利用进行绘图，并打印出相应标签

讯享网

经过上面的讨论，已经定义好模型和数据集，接下来实现模型训练。按照pytorch框架，需要有优化器以及损失函数，这里依次展开。

1. 定义损失函数

这里采用交叉熵损失，也可以根据实际需求进行修改。

2. 定义优化器

优化器这里采用Adam

讯享网

3. 数据集划分及加载器

将数据集划分为训练集和验证集，这里依据给定比例进行随机划分。

4. 训练

讯享网

5. 可视化训练结果

借助工具监控训练过程，也可以采用等工具。

五、模型测试

模型训练好之后我们得到模型权重, 要实现测试，只需要准备好测试图片，执行以下脚本即可。

小结

借助pytorch训练模型，大体可以分为三个步骤，第一步先确定好数据集，第二步依据数据集定义好模型的输入输出，第三步定义好损失函数和优化器后进行训练，这三个步骤都要用好可视化工具，便于检查及监控训练过程。