Resnet50的代码不是由笔者编写，笔者只对代码进行讲解，方便后续使用。原作者博客链接。 为了节省篇幅这里不贴出代码，请访问原作者GitHub查看代码。
在阅读本博客前请先了解残差网络的结构和原理，推荐博客。
Resnet50包含两个基本的模块：Conv Block和Identity Block。这两个模块的结构图如下所示：
从图中可以看到，Identity Block的输出和输入必须是有相同的形状（不然残差边和input不能相加），这导致卷积提取到的特征长、宽和维度不能发生变化，而Conv Block在残差边加入了卷积操作，可以对输入矩阵的形状进行调整，使得残差边和卷积可以进行相加。
ResNet50的完整结构图如下图所示：
：在的外围进行padding=0的填充，填充数量为3个像素点，最后得到的维度为224+3*2 = 230，所以x的维度为230，230，3。
输入图像的尺寸为[224, 224, 3]，经过简单的卷积和池化操作后形状变为[56, 56, 64]。接下来，就是ResNet50网络的重点，Conv Block和Identity Block。下面我们分别以第一次使用Conv Block和Identity Block为例，讲解这两个模块内部是如何操作的。
关于卷积与池化操作时的维度变化可以参考我之前的博客，在这里不做过多赘述，维度变化信息我写在了代码里。
Conv Block模块代码如下：
第一次调用Conv Block输入的维度为x.shape = [56, 56, 64]，传入的参数为：
x = conv_block(x, 3, [64, 64, 256], stage=2, block=‘a’, strides=(1, 1))
则Conv Block内：
kernel_szie = 3
filter1 = 64
filter2 = 64
filter3 = 256
strides = (1,1)
stage和block是用来命名确定该层位置的参数。
为了便于查看，以下函数都直接将参数填入
- 命名
conv_name_base = ‘res2a_branch’
bn_name_base = ‘bn2a_branch’
- 该模块内的第一次卷积操作
conv: [56, 56, 64] ==> [56, 56, 64]，name = ‘res2a_branch2a’
BatchNor：形状不发生变化，name = ‘bn2a_branch2a’
- 该模块内的第二次卷积操作
conv: [56, 56, 64] ==> [56, 56, 64], name = ‘res2a_branch2b’
BatchNor：形状不发生变化，name = ‘bn2a_branch2b’
- 该模块内的第三次卷积操作
conv: [56, 56, 64] ==> [56, 56, 256], name = ‘res2a_branch2c’
BatchNor：形状不发生变化，name = ‘bn2a_branch2c’
输出矩阵的大小最终又回到了[56, 56, 256]
- 残差边
conv: [56, 56, 64] ==> [56, 56, 256], name = ‘res2a_branch1’
BatchNor: 形状不变, name = ‘bn2a_branch1’
最终残差边的输出[56, 56, 256]和卷积层的输出[56, 56, 256]相加，经激活函数后输出。这一个Conv Block的输入和输出形状没有发生变化。
第一次输入的维度为x.shape = [56, 56, 256]，传入的参数为：
x = identity_block(x, 3, [64, 64, 256], stage=2, block=‘b’)
则Conv Block内：
kernel_szie = 3
filter1 = 64
filter2 = 64
filter3 = 256
stage和block是用来命名确定该层位置的参数。
为了便于查看，以下函数都直接将参数填入
- 命名
conv_name_base = ‘res2b_branch’
bn_name_base = ‘bn2b_branch’
- 该模块内的第一次卷积
conv: [56, 56, 256] ==> [56, 56, 64], name = ‘res2a_branch2a’
BatchNor: 形状不变, name = ‘bn2a_branch2a’
- 该模块内的第二次卷积
conv: [56, 56, 64] ==> [56, 56, 64], name = ‘res2a_branch2b’
BatchNor: 形状不变, name = ‘bn2a_branch2b’
- 该模块内的第三次卷积
conv: [56, 56, 64] ==> [56, 56, 256], name = ‘res2a_branch2c’
BatchNor: 形状不变, name = ‘bn2a_branch2c’
- 残差边
Identity Block模块残差边不进行任何操作，将第三次卷积后的结果与输入相加，然后经过激活函数即得到输出结果。
ResNet50模型就是将很多个Conv Block和Identity Block进行堆叠，最后得到的输出矩阵大小为[7, 7, 2048]，对该矩阵使用kernel_size为7的pooling即可将矩阵变为1维，接着节Dense层进行分类预测。
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， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ri-ji/59769.html