本文目的不在于让你学会各种大小数据的变化，而在于体会resnet执行的流程，大白话解说，读不懂的见谅！
废话少说，直接上最重要的两个图片
图：唱跳rap
用于和代码debug对照，接下来直接开始
内参数（瓶颈层，[3,4,6,3]对应唱跳rapx3x4x6x3，我个人理解为每个块内的遍历次数，分类数）
从括号里外的顺序开始，先跳转到resnet类
inplane 输入通道数，plane 输出通道数
这一部分的操作主要是把nn.module的父类方法继承过来，现在还在定义resnet函数阶段
为什么inplane等于64，因为唱跳rap stage1的输入是64
super(ResNet, self).__init__()这个很重要也不重要，重要在于必须有，不重要在于不用理睬。
按部就班往下走
一一和唱跳rap对应，stage4定义后，来到block_list的定义，可以理解为用于记录每轮的遍历次数，就是那个唱跳rap的3,4,6,3。
下采样的操作，按部就班走
Bottleneck的实现，还是往下走
走到这注意一下，意思为，下一层的输入等于上一层的输出乘以block.extention，这个变量是啥？比如第一个stage，输入64 输出256，那么这个变量就是4啊。这就已经走了一次这个遍历，还要走两次
再次走这个循环了昂
一共走了三次，对应于这个x3
然后，开始走第二个stage
同理，这个需要走4遍对吧？i=3，对上了，走了4遍
stage3 6遍
stage4 3遍
这四层都搞完了是吧
跳到这里啥意思，没毛病就是这个
现在，这个网络结构真的已经搭建好了，你说对吗？
该传入数据了！给的是随机大小的固定维度tensor
我们要带着数据走一遍网络进行传播，这次过程中会有计算
进入resnet 开始传播了，随手截几个图
特别注意103行这个加法，对应的是resnet最牛的抄近道操作
走完了，运行一下吧
附上全程代码，读不懂的自己操作吧
import torch
from torch import nn
class Bottleneck(nn.Module):
#每个stage维度中扩展的倍数
extention=4
def __init__(self,inplanes,planes,stride,downsample=None):
'''
:param inplanes: 输入block的之前的通道数
:param planes: 在block中间处理的时候的通道数
planes*self.extention:输出的维度
:param stride:
:param downsample:
'''
super(Bottleneck, self).__init__()
self.conv1=nn.Conv2d(inplanes,planes,kernel_size=1,stride=stride,bias=False)
self.bn1=nn.BatchNorm2d(planes)
self.conv2=nn.Conv2d(planes,planes,kernel_size=3,stride=1,padding=1,bias=False)
self.bn2=nn.BatchNorm2d(planes)
self.conv3=nn.Conv2d(planes,planes*self.extention,kernel_size=1,stride=1,bias=False)
self.bn3=nn.BatchNorm2d(planes*self.extention)
self.relu=nn.ReLU(inplace=True)
#判断残差有没有卷积
self.downsample=downsample
self.stride=stride
def forward(self,x):
#参差数据
residual=x
#卷积操作
out=self.conv1(x)
out=self.bn1(out)
out=self.relu(out)
out=self.conv2(out)
out=self.bn2(out)
out=self.relu(out)
out=self.conv3(out)
out=self.bn3(out)
out=self.relu(out)
#是否直连（如果Indentity blobk就是直连；如果Conv2 Block就需要对残差边就行卷积，改变通道数和size
if self.downsample is not None:
residual=self.downsample(x)
#将残差部分和卷积部分相加
out+=residual
out=self.relu(out)
return out
class ResNet(nn.Module):
def __init__(self,block,layers,num_class):
#inplane=当前的fm的通道数
self.inplane=64
super(ResNet, self).__init__()
#参数
self.block=block
self.layers=layers
#stem的网络层
self.conv1=nn.Conv2d(3,self.inplane,kernel_size=7,stride=2,padding=3,bias=False)
self.bn1=nn.BatchNorm2d(self.inplane)
self.relu=nn.ReLU()
self.maxpool=nn.MaxPool2d(kernel_size=3,stride=2,padding=1)
#64,128,256,512指的是扩大4倍之前的维度，即Identity Block中间的维度
self.stage1=self.make_layer(self.block,64,layers[0],stride=1)
self.stage2=self.make_layer(self.block,128,layers[1],stride=2)
self.stage3=self.make_layer(self.block,256,layers[2],stride=2)
self.stage4=self.make_layer(self.block,512,layers[3],stride=2)
#后续的网络
self.avgpool=nn.AvgPool2d(7)
self.fc=nn.Linear(512*block.extention,num_class)
def forward(self,x):
#stem部分：conv+bn+maxpool
out=self.conv1(x)
out=self.bn1(out)
out=self.relu(out)
out=self.maxpool(out)
#block部分
out=self.stage1(out)
out=self.stage2(out)
out=self.stage3(out)
out=self.stage4(out)
#分类
out=self.avgpool(out)
out=torch.flatten(out,1)
out=self.fc(out)
return out
def make_layer(self,block,plane,block_num,stride=1):
'''
:param block: block模板
:param plane: 每个模块中间运算的维度，一般等于输出维度/4
:param block_num: 重复次数
:param stride: 步长
:return:
'''
block_list=[]
#先计算要不要加downsample
downsample=None
if(stride!=1 or self.inplane!=plane*block.extention):
downsample=nn.Sequential(
nn.Conv2d(self.inplane,plane*block.extention,stride=stride,kernel_size=1,bias=False),
nn.BatchNorm2d(plane*block.extention)
)
# Conv Block输入和输出的维度（通道数和size）是不一样的，所以不能连续串联，他的作用是改变网络的维度
# Identity Block 输入维度和输出（通道数和size）相同，可以直接串联，用于加深网络
#Conv_block
conv_block=block(self.inplane,plane,stride=stride,downsample=downsample)
block_list.append(conv_block)
self.inplane=plane*block.extention
#Identity Block
for i in range(1,block_num):
block_list.append(block(self.inplane,plane,stride=1))
return nn.Sequential(*block_list)
resnet=ResNet(Bottleneck,[3,4,6,3],1000)
x=torch.randn(64,3,224,224)
X=resnet(x)
print(X.shape)
