残差网络（ResNet）_residualblock

简介

残差网络的核心思想是：每个附加层都应该更容易地包含原始函数作为其元素之一。 于是，残差块（residual blocks）便诞生了，这个设计对如何建立深层神经网络产生了深远的影响。
即随着网络层数的增加，网络的性能反而不再提升，甚至下降。残差块通过引入“残差学习”（residual learning）来缓解这一问题，使得网络能够更容易地学习到深层特征。
残差块的输入不仅传递到卷积层等操作中，还通过一个跳跃连接（也称为快捷连接）直接传递到后面的层。这个跳跃连接可以是恒等连接（identity connection），也可以是经过一些卷积层或其他操作的连接。

卷积层的输出与输入通过跳跃连接进行逐元素相加（element-wise addition）。这样做的目的是将输入中的信息保留下来，并与学习到的残差特征相结合。
残差块的原理可以通过以下公式表示：

输出=激活函数(卷积层1(输入))+激活函数(卷积层2(输入))
1

残差块

案例：

import torch
import torch.nn as nn

class ResidualBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(ResidualBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.downsample = downsample

    def forward(self, x):
        residual = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
        out = self.conv2(out)
        out = self.bn2(out)
        if self.downsample:
            residual = self.downsample(x)
        out += residual
        out = self.relu(out)
        return out

# 假设我们有一个输入张量，大小为(1, 64, 56, 56)
# 这里假设输入是一个来自前面层的特征图
input_tensor = torch.randn(1, 64, 56, 56)

# 创建一个残差块实例，其中输入和输出通道数都是64
residual_block = ResidualBlock(in_channels=64, out_channels=64)

# 通过残差块传递输入，查看输出
output = residual_block(input_tensor)
print(output.shape)  # 应该输出: torch.Size([1, 64, 56, 56])
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36

经典ResNet-18

import torch
import torch.nn as nn
from torch.nn import functional as F
class Residual(nn.Module):
    '''
    这是一个残差块的实现，它是ResNet的基本构建单元。
    input_channels：输入特征图的通道数。
    num_channels：残差块内部使用的通道数。
    use_1x1conv：是否使用1x1卷积来调整输入特征图的通道数。
    strides：卷积层的步长，用于在第一个残差块中改变特征图的尺寸。
    '''
    def __init__(self, input_channels, num_channels,
                 use_1x1conv=False, strides=1):
        super().__init__()
        # self.conv1 和 self.conv2：两个3x3的卷积层，用于提取特征和学习残差。
        self.conv1 = nn.Conv2d(input_channels, num_channels,
                               kernel_size=3, padding=1, stride=strides)
        self.conv2 = nn.Conv2d(num_channels, num_channels,
                               kernel_size=3, padding=1)
        if use_1x1conv:
            # self.conv3：一个可选的1x1卷积层，用于在第一个残差块中调整通道数和尺寸。
            self.conv3 = nn.Conv2d(input_channels, num_channels,
                                   kernel_size=1, stride=strides)
        else:
            self.conv3 = None
        # self.bn1 和 self.bn2：两个批归一化层，用于规范化卷积层的输出。
        self.bn1 = nn.BatchNorm2d(num_channels)
        self.bn2 = nn.BatchNorm2d(num_channels)
    # forward 方法定义了残差块的前向传播过程，包括卷积、批归一化、激活函数和跳跃连接的加和。
    def forward(self, X):
        Y = F.relu(self.bn1(self.conv1(X)))
        Y = self.bn2(self.conv2(Y))
        if self.conv3:
            X = self.conv3(X)
        Y += X
        return F.relu(Y)

def resnet_block(input_channels, num_channels, num_residuals,
                 first_block=False):
    '''
    这个函数用于创建多个残差块的序列。
    input_channels 和 num_channels：输入和输出特征图的通道数。
    num_residuals：残差块的数量。
    first_block：是否为第一个残差块，如果是，将使用1x1卷积和步长为2的卷积来改变特征图的尺寸。
    '''
    blk = []
    for i in range(num_residuals):
        if i == 0 and not first_block:
            blk.append(Residual(input_channels, num_channels,
                                use_1x1conv=True, strides=2))
        else:
            blk.append(Residual(num_channels, num_channels))
    return blk


# 构建 ResNet 网络
b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.BatchNorm2d(64), nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
b2 = nn.Sequential(*resnet_block(64, 64, 2, first_block=True))
b3 = nn.Sequential(*resnet_block(64, 128, 2))
b4 = nn.Sequential(*resnet_block(128, 256, 2))
b5 = nn.Sequential(*resnet_block(256, 512, 2))



net = nn.Sequential(b1, b2, b3, b4, b5,
                    nn.AdaptiveAvgPool2d((1,1)),
                    nn.Flatten(), nn.Linear(512, 10))

print(net)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71