🍊作者简介：秃头小苏，致力于用最通俗的语言描述问题

🍊往期回顾：基于pytorch搭建VGGNet神经网络用于花类识别基于pytorch搭建AlexNet神经网络用于花类识别

🍊近期目标：拥有5000粉丝

🍊支持小苏：点赞👍🏼、收藏⭐、留言📩

基于pytorch搭建ResNet神经网络用于花类识别

写在前面

这一系列已经写了好几篇了，这篇结束后可能就会停更一系列了，因为一方面，看懂了已经更新的这些我认为其他的网络大概就是照葫芦画瓢，自己多多少少是能看明白个大概的。【当然这是要在你对这部分网络结构的理论有充分的了解之后】另一方面，我觉得这部分真的得你自己切切实实的钻研，自己一步步的调试，看别人的文章、甚至是视频，你可能会得到短暂的满足，但是许多细节你是体验不到的。所以这里给出基于pytorch搭建ResNet神经网络用于花类识别的完整代码，希望大家下去后仔细阅读🌹🌹🌹

至于这一系列再次更新的话不出意外会讲讲一些轻量级网络像MobileNet、shuffleNet等，当然了这部分都已经做过理论部分的概述了🍋🍋🍋

还是回归到本文上来，首先你需要具备以下知识：

ResNet的理论
pytorch搭建网络基础

当然，这些我在前文都已经介绍过，大家抱着缺啥补啥的态度去看看呗🌾🌾🌾

ResNet网络模型搭建✨✨✨

自己写文章的宗旨是致力于用最通俗的语言描述问题嘛🎯🎯🎯但是对于一些关乎于代码的文章，有的时候单纯的文字确实很难将问题表述清楚，因此我建议你先观看此视频，对ResNet网络模型搭建的整理流程有了一个大致的了解后再来阅读此文，然后再以这篇文章为辅进行学习，这样我觉得是高效的学习方式🍀🍀🍀【当然这样还是不够的，你一定要自己去独立的阅读代码，一步步的调试运行，这一点我想我再强调也不为过】

ResNeta网络是有大量重复的结构堆叠而成的，它的网络层数主要有18层、34层、50层、101层和152层。对于18层和34层的网络它的基础模块为basic block，而对于50层、101层和152层的网络其基础模块为bottleneck block。我们可以分别来定义这两个基础模块，如下：

定义Bottleneck

注意：原论文中，在虚线残差结构的主分支上，第一个1x1卷积层的步距是2，第二个3x3卷积层步距是1。但在pytorch官方实现过程中是第一个1x1卷积层的步距是1，第二个3x3卷积层步距是2，这么做的好处是能够在top1上提升大概0.5%的准确率。可参考Resnet v1.5 ngc.nvidia.com/catalog/mod…

接着我们就可以来定义我们的ResNet网络了：

我们可以看出再ResNet 的定义中有这样的函数：

该函数表示对ResNet的每个基础模块一个整合，即layer1对应conv2_x、layer2对应conv3_x、layer3对应conv4_x、layer4对应conv5_x🍚🍚🍚

_make_layer函数的定义如下:

最后我们来看看如何定义一个具体的网络：

def resnet34(num_classes=1000, include_top=True):
    # https://download.pytorch.org/models/resnet34-333f7ec4.pth
    return ResNet(BasicBlock, [3, 4, 6, 3], num_classes=num_classes, include_top=include_top)


def resnet50(num_classes=1000, include_top=True):
    # https://download.pytorch.org/models/resnet50-19c8e357.pth
    return ResNet(Bottleneck, [3, 4, 6, 3], num_classes=num_classes, include_top=include_top)


def resnet101(num_classes=1000, include_top=True):
    # https://download.pytorch.org/models/resnet101-5d3b4d8f.pth
    return ResNet(Bottleneck, [3, 4, 23, 3], num_classes=num_classes, include_top=include_top)