Pytorch深度学习经典卷积神经网络resnet模块训练

前言

随着深度学习的不断发展，从开山之作Alexnet到VGG，网络结构不断优化，但是在VGG网络研究过程中，人们发现随着网络深度的不断提高，准确率却没有得到提高，如图所示：

人们觉得深度学习到此就停止了，不能继续研究了，但是经过一段时间的发展，残差网络（resnet）解决了这一问题。

一、resnet

如图所示：简单来说就是保留之前的特征，有时候当图片经过卷积进行特征提取，得到的结果反而没有之前的很好，所以resnet提出保留之前的特征，这里还需要经过一些处理，在下面代码讲解中将详细介绍。

二、resnet网络结构

本文将主要介绍resnet18

三、resnet18

1.导包

import torch
import torchvision.transforms as trans
import torchvision as tv
import torch.nn as nn
from torch.autograd import Variable
from torch.utils import data
from torch.optim import lr_scheduler

2.残差模块

这个模块完成的功能如图所示：

class tiao(nn.Module):
  def __init__(self,shuru,shuchu):
      super(tiao, self).__init__()
      self.conv1=nn.Conv2d(in_channels=shuru,out_channels=shuchu,kernel_size=(3,3),padding=(1,1))
      self.bath=nn.BatchNorm2d(shuchu)
      self.relu=nn.ReLU()
  def forward(self,x):
      x1=self.conv1(x)
      x2=self.bath(x1)
      x3=self.relu(x2)
      x4=self.conv1(x3)
      x5=self.bath(x4)
      x6=self.relu(x5)
      x7=x6+x
      return x7

2.通道数翻倍残差模块

模块完成功能如图所示：

在这个模块中，要注意原始图像的通道数要进行翻倍，要不然后面是不能进行相加。

class tiao2(nn.Module):
  def __init__(self,shuru):
      super(tiao2, self).__init__()
      self.conv1=nn.Conv2d(in_channels=shuru,out_channels=shuru*2,kernel_size=(3,3),stride=(2,2),padding=(1,1))
      self.conv11=nn.Conv2d(in_channels=shuru,out_channels=shuru*2,kernel_size=(1,1),stride=(2,2))
      self.batch=nn.BatchNorm2d(shuru*2)
      self.relu=nn.ReLU()
      self.conv2=nn.Conv2d(in_channels=shuru*2,out_channels=shuru*2,kernel_size=(3,3),stride=(1,1),padding=(1,1))
  def forward(self,x):
      x1=self.conv1(x)
      x2=self.batch(x1)
      x3=self.relu(x2)
      x4=self.conv2(x3)
      x5=self.batch(x4)
      x6=self.relu(x5)
      x11=self.conv11(x)
      x7=x11+x6
      return x7

3.rensnet18模块

class resnet18(nn.Module):
  def __init__(self):
      super(resnet18, self).__init__()
      self.conv1=nn.Conv2d(in_channels=3,out_channels=64,kernel_size=(7,7),stride=(2,2),padding=(3,3))
      self.bath=nn.BatchNorm2d(64)
      self.relu=nn.ReLU()
      self.max=nn.MaxPool2d(2,2)
      self.tiao1=tiao(64,64)
      self.tiao2=tiao(64,64)
      self.tiao3=tiao2(64)
      self.tiao4=tiao(128,128)
      self.tiao5=tiao2(128)
      self.tiao6=tiao(256,256)
      self.tiao7=tiao2(256)
      self.tiao8=tiao(512,512)
      self.a=nn.AdaptiveAvgPool2d(output_size=(1,1))
      self.l=nn.Linear(512,10)
  def forward(self,x):
      x1=self.conv1(x)
      x2=self.bath(x1)
      x3=self.relu(x2)
      x4=self.tiao1(x3)
      x5=self.tiao2(x4)
      x6=self.tiao3(x5)
      x7=self.tiao4(x6)
      x8=self.tiao5(x7)
      x9=self.tiao6(x8)
      x10=self.tiao7(x9)
      x11=self.tiao8(x10)
      x12=self.a(x11)
      x13=x12.view(x12.size()[0],-1)
      x14=self.l(x13)
      return x14

这个网络简单来说16层卷积，1层全连接，训练参数相对较少，模型相对来说比较简单。

4.数据测试

model=resnet18().cuda()
input=torch.randn(1,3,64,64).cuda()
output=model(input)
print(output)

5.损失函数，优化器

损失函数

loss=nn.CrossEntropyLoss()

在优化器中，将学习率进行每10步自动衰减

opt=torch.optim.SGD(model.parameters(),lr=0.001,momentum=0.9)exp_lr=lr_scheduler.StepLR(opt,step_size=10,gamma=0.1)opt=torch.optim.SGD(model.parameters(),lr=0.001,momentum=0.9)
exp_lr=lr_scheduler.StepLR(opt,step_size=10,gamma=0.1)

在这里可以看一下对比图，发现添加学习率自动衰减，loss下降速度会快一些，这说明模型拟合效果比较好。

6.加载数据集，数据增强

这里我们仍然选择cifar10数据集，首先对数据进行增强，增加模型的泛华能力。

  transs=trans.Compose([
      trans.Resize(256),
      trans.RandomHorizontalFlip(),
      trans.RandomCrop(64),
      trans.ColorJitter(brightness=0.5,contrast=0.5,hue=0.3),
      trans.ToTensor(),
      trans.Normalize((0.5,0.5,0.5),(0.5,0.5,0.5))
  ])

ColorJitter函数中brightness（亮度）contrast（对比度）saturation（饱和度）hue（色调）

加载cifar10数据集：

    train=tv.datasets.CIFAR10(
      root=r'E:\桌面\资料\cv3\数据集\cifar-10-batches-py',
      train=True,
      download=True,
      transform=transs
  )
  trainloader=data.DataLoader(
      train,
      num_workers=4,
      batch_size=8,
      shuffle=True,
      drop_last=True
  )

7.训练数据

    for i in range(3):
      running_loss=0
      for index,data in enumerate(trainloader):
          x,y=data
          x=x.cuda()
          y=y.cuda()
          x=Variable(x)
          y=Variable(y)
          opt.zero_grad()
          h=model(x)
          loss1=loss(h,y)
          loss1.backward()
          opt.step()
          running_loss+=loss1.item()
          if index%100==99:
              avg_loos=running_loss/100
              running_loss=0
              print("avg_loss",avg_loos)

8.保存模型

torch.save(model.state_dict(),'resnet18.pth')

9.加载测试集数据，进行模型测试

首先加载训练好的模型

model.load_state_dict(torch.load('resnet18.pth'),False)

读取数据

 test = tv.datasets.ImageFolder(
      root=r'E:\桌面\资料\cv3\数据',
      transform=transs,
  )
  testloader = data.DataLoader(
      test,
      batch_size=16,
      shuffle=False,
  )

测试数据

acc=0
total=0
  for data in testloader:
      inputs,indel=data
      out=model(inputs.cuda())
      _,prediction=torch.max(out.cpu(),1)
      total+=indel.size(0)
      b=(prediction==indel)
      acc+=b.sum()
  print("准确率%d %%"%(100*acc/total))

四、resnet深层对比

上面提到VGG网络层次越深，准确率越低，为了解决这一问题，才提出了残差网络（resnet），那么在resnet网络中，到底会不会出现这一问题。

如图所示：随着，训练层次不断提高，模型越来越好，成功解决了VGG网络的问题，到现在为止，残差网络还是被大多数人使用。

以上就是Pytorch深度学习经典卷积神经网络resnet模块训练的详细内容，更多关于卷积神经网络resnet模块训练的资料请关注服务器之家其它相关文章！

原文链接：https://blog.csdn.net/Lightismore/article/details/124607692