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。
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/202741.html