Resnet50

### ResNet50 模型架构概述 ResNet50 是一种基于残差网络（Residual Network, ResNet）的深度卷积神经网络模型，它由 Microsoft Research 提出并广泛应用于图像分类任务中。ResNet50 的核心特点是引入了 **跳跃连接** 或称为 **短接路径（skip connections）**，这使得深层网络中的梯度能够更有效地传播[^1]。 #### 架构细节 ResNet50 的整体架构可以分为以下几个部分： - 输入层：接受大小为 \(224 \times 224\) 的 RGB 图像作为输入。 - 卷积层：初始卷积层使用 \(7 \times 7\) 大小的滤波器进行特征提取，并通过最大池化操作进一步减少空间维度。 - 残差块：ResNet50 中的核心组件是由多个残差单元组成的堆叠结构。每个残差单元通常包含三个卷积层（\(1 \times 1\), \(3 \times 3\), 和 \(1 \times 1\)），并通过跳跃连接将输入直接加到输出上[^2]。 - 全局平均池化层：用于将最后一个卷积层的输出转换为固定长度的向量。 - 全连接层：最终输出类别概率分布。 以下是 ResNet50 的典型架构图解： | 层名称 | 输出尺寸 | 参数数量 | |----------------|---------------|----------| | 初始卷积层 | \(112 \times 112 \times 64\) | ~9.4K | | 最大池化层 | \(56 \times 56 \times 64\) | —— | | 残差块组 1 | \(56 \times 56 \times 256\) | ~18M | | 残差块组 2 | \(28 \times 28 \times 512\) | ~37M | | 残差块组 3 | \(14 \times 14 \times 1024\) | ~74M | | 残差块组 4 | \(7 \times 7 \times 2048\) | ~147M | | 平均池化层 | \(1 \times 1 \times 2048\) | —— | | 全连接层 | 类别数 | 可配置 | 总参数量约为 25.6 百万。 --- ### PyTorch 实现代码示例 以下是一个简单的 ResNet50 模型实现代码片段，适用于 PyTorch 框架： ```python import torch.nn as nn import torchvision.models as models class ResNet50Model(nn.Module): def __init__(self, num_classes=1000): super(ResNet50Model, self).__init__() # 加载预训练的 ResNet50 模型 self.resnet50 = models.resnet50(pretrained=True) # 替换最后一层全连接层以适配自定义分类任务 in_features = self.resnet50.fc.in_features self.resnet50.fc = nn.Linear(in_features, num_classes) def forward(self, x): return self.resnet50(x) # 创建实例 model = ResNet50Model(num_classes=10).cuda() print(model) ``` 此代码加载了一个带有 ImageNet 预训练权重的 ResNet50 模型，并将其最后的全连接层替换为适合特定任务的新层。 --- ### 预训练模型下载链接 对于 ResNet50 的预训练模型，可以直接从官方库或第三方资源获取。以下是几个常见的下载方式： - 使用 TensorFlow/Keras 官方接口加载预训练模型： ```python from tensorflow.keras.applications import ResNet50 model = ResNet50(weights='imagenet', include_top=False) ``` - 使用 PyTorch 官方接口加载预训练模型： ```python import torchvision.models as models resnet50 = models.resnet50(pretrained=True) ``` 如果需要手动下载权重文件，可以从以下地址访问： - [PyTorch 官方 ResNet 权重](https://pytorch.org/docs/stable/torchvision/models.html#resnet) - [TensorFlow Keras 官方 ResNet 权重](https://keras.io/api/applications/resnet/)[^2] --- ###