ResNet

参考

ResNet论文：
https://arxiv.org/abs/1512.03385
本文主要参考视频：https://www.bilibili.com/video/BV1T7411T7wa
https://www.bilibili.com/video/BV14E411H7Uw

结构概况

ResNet的网络结构图如图所示：

这是ResNet不同层数的网络 结构图。

可以看到，结构大差不差。不论是18层、34层、50层、还是101层、152层。

上来都是一个7x7的卷积层，然后是一个3x3的最大池化下采样。

然后就是按照图中的conv2_x、conv3_x、conv4_x、conv5_x中的残差结构。

最后再跟一个平均池化下采样，和全连接层，sofmax输出。

conv1与池化层

我们先看一下前两层。

首先呢，ResNet使用ImagesNet数据集，采用的默认输入尺寸是224x224，RGB图像，三通道

按照表中，我们可以看到，图片输入之后，首先是一个7x7,64,stride 2

也就是一个卷积层，卷积核大小为7x7，输出通道为64（也就是卷积核个数），stride=2。

没说padding，我们需要自己算一下，表里写了这一层的输出是112x112

补充一点知识：

假设输入图片为 W x W 卷积核大小为F x F，步长stride=S，padding=P（填充的像素数）
则输出图像的大小 W2 =（W - F +2P）/S +1

可以注意到这个公式中有除法，一般我们做卷积时除不尽的时候都向下取整

可以参考pytorch官方文档：https://pytorch.org/docs/stable/generated/torch.nn.Conv2d.html#torch.nn.Conv2d

但是我们做池化的时候，也可以采用向上取整

参看pytorch官方文档：https://pytorch.org/docs/stable/generated/torch.nn.MaxPool2d.html#torch.nn.MaxPool2d

有一个参数ceil_mode，默认是floor是向下取整，可以设置为True，向上取整

ceil_mode – when True, will use ceil instead of floor to compute the output shape

有的时候池化会选择向上取整（最大池化和平均池化有时取整方式不同）

那就是说 112 = （224 - 7 + 2P）/ 2 + 1

化简后就是 111 = （217 + 2P）/2 = 108.5+P

所以P=3 所以Padding是3

所以我们输入图片进来，第一层是in_channel=3,out_channel=64,kernel_size=7,stride=2,padding=3

没有偏置bias。经过这一层我们会得到大小为112x112的尺寸，通道数为64

然后经过一个3x3的最大池化下采样，stride=2

$W_{out}=(W_{in}-F+2P)/S+1$

池化层也采用向下取整。所以 56=(112 - 3 + 2P)/2 +1 计算出来P=1

所以第二层池化层是in_channel=64,out_channel=64,kernel_size=3,stride=2,padding=1

经过池化层，我们会得到一个56x56，64通道的输出，紧接着就是conv2_x中对应的一系列残差结构

残差结构

经过前面两层，我们得到一个56x56，64通道的输出

紧接着是conv2_x

这就是残差块，残差块大致有两种类型，一种是两层卷积的，一种的三层卷积的，就是途中红框画的。

比如如果是ResNet34，那么池化层之后，就是两个3x3,64的卷积层，这两个组成一个残差块。

如果是ResNet50，那么池化层之后就是1x1,64的卷积层 + 3x3,64的卷积层 + 1x1,256的卷积层，三个组成一个残差块。

后面写的x3就代表有三个这样的残差块连接一起

如下图所示，关于残差结构的原理，不多说了，这里主要讲实现。

有几个点需要注意：

以ResNet34为例，按照表格里面写的，池化之后，我们的大小是56x56x64，那么经过conv2_x之后我们的输出还是56x56x64

输入和输出特征矩阵的大小一样，那么就说明stride=1，padding=1

因为公式$W_{out}=(W_{in}-F+2P)/S+1$

要保证一样，那就S=1，不然的话，大于1就没法一样，然后计算padding可知，也是1

所以经过这两层之后呢，得到的还是56x56x64的特征图，可以直接与残差块那个分支相加。

但是呢这里需要注意，我们看conv3_x，是3x3，128通道，也就是说经过conv2_x后得到的56x56，64通道

到conv3_x里面升维了，并且大小也变了，变成28x28了

这时候要注意一个问题，分支与主分支的结果就无法相加了，大小不一致，维度不一致啊

怎么办呢，所以还有一种虚线连接的残差块，如图

在分支里面做了一个1x1的卷积层，1x1的卷积层主要是用来升维和降维的。同时通过设置stride可以改变尺寸

所以就通过这个卷积层得到了28x28，128通道的特征图，可以与主分支直接相加了

并且我们通过计算可以算出来，残差块主分支padding=1，右边的分支padding=2

对于ResNet50和101，深层次的ResNet也是按照这样的方法处理的

但是注意啊，这种虚线结构只是为了解决尺寸不一样无法相加的情况

什么情况下需要用这个呢？

对于ResNet18和ResNet34而言，conv3_x，conv4_x和conv5_x的第一层才需要虚线结构。

可以看到表里面，ResNet34的conv3_x的第一层会输出28x28，128通道的，但是输入是56x56，64通道的，所以需要虚线结构，而conv2_x不需要，因为输入输出是一样的。

而对于ResNet50和ResNet101，ResNet152而言，conv2_x和conv3_x，conv4_x和conv5_x的第一层都需要虚线结构

因为ResNet50从conv2_x开始，输入56x56，64通道，输出是56x56，256通道的，所以conv2_x也需要虚线结构，不过这个虚线结构只调整通道数即可。

所以，我们根据表格可以看到ResNet50中，conv3_x有四个残差块，这其中只有第一个会遇到尺寸不一样的问题，需要用虚线结构，别的都不需要。

同样的，conv4_x和conv5_x的第一层也需要

另外再注意一个改进：

Batch Normalization

Batch Normalization的目的是使我们的一批（Batch)feature map满足均值为0，方差为1的分布规律。

这里关于BN层的原理就不写了，可以看这个视频和博客

https://www.bilibili.com/video/BV1T7411T7wa

https://blog.csdn.net/qq_37541097/article/details/104434557

我们需要知道的是

建议将bn层放在卷积层（Conv）和激活层（例如Relu）之间，且卷积层不要使用偏置bias

所以说，我们实际上的残差网络块应该是如图，这个样子的

总结

至此，整个ResNet的网络结构就清晰了。其中需要注意的点主要就是:

• 计算卷积过程中的参数 $W_{out}=(W_{in}-F+2P)/S+1$
• ResNet18层和34层conv3_x、conv4_x、conv5_x中的第一层需要用虚线结构
• ResNet50层、101层和152层中的conv2_x、conv3_x、conv4_x、conv5_x中的第一层都需要用虚线结构
• BN层放在卷积层（Conv）和Relu之间，且卷积层不要使用偏置bias