ResNet18详细原理（含tensorflow版源码）

ResNet18原理

        ResNet18是一个经典的深度卷积神经网络模型，由微软亚洲研究院提出，用于参加2015年的ImageNet图像分类比赛。ResNet18的名称来源于网络中包含的18个卷积层。

ResNet18的基本结构如下：

• 输入层：接收大小为224x224的RGB图像。
• 卷积层：共4个卷积层，每个卷积层使用3x3的卷积核和ReLU激活函数，提取图像的局部特征。
• 残差块：共8个残差块，每个残差块由两个卷积层和一条跳跃连接构成，用于解决深度卷积神经网络中梯度消失和梯度爆炸问题。
• 全局平均池化层：对特征图进行全局平均池化，将特征图转化为一维

  向量。

• 全连接层：包含一个大小为1000的全连接层，用于分类输出。
• 输出层：使用softmax激活函数，生成1000个类别的概率分布。

           ResNet18的主要特点是引入了残差块（Residual Block）的概念，用于解决深度卷积神经网络中梯度消失和梯度爆炸问题。在残差块中，跳跃连接（Shortcut Connection）可以将输入直接连接到输出，使得网络可以学习到残差信息，从而更好地进行特征提取和处理。

        在训练过程中，ResNet18一般采用基于随机梯度下降（Stochastic Gradient Descent，SGD）的反向传播算法，通过最小化交叉熵损失函数来优化模型参数。在训练过程中，可以使用数据增强、正则化、dropout等技术来提高模型的泛化能力和鲁棒性。

        总的来说，ResNet18是一个非常经典和有效的深度卷积神经网络模型，具有良好的特征提取和分类能力，可以应用于图像分类、目标检测等计算机视觉任务。

ResNet18源码（tensorflow版）

import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers,datasets,models



def main():
    (train_x,train_y),(test_x,test_y) = datasets.cifar10.load_data()

    train_x = train_x.reshape([-1,32,32,3]) / 255.0
    test_x = test_x.reshape([-1,32,32,3]) / 255.0

    inputs = keras.Input((32,32,3))

    output = ResNet18(inputs)

    model = models.Model(inputs,output)

    model.summary()

    model.compile(loss = keras.losses.SparseCategoricalCrossentropy(),
                  optimizer=keras.optimizers.Adam(0.01),
                  metrics=['accuracy'])
    model.fit(train_x,train_y,batch_size=128,epochs=10)

    score = model.evaluate(test_x,test_y)
    print("loss:",score[0])
    print("acc:",score[1])
    pass

def ConvCall(x,filtten,xx,yy,strides = (1,1)):
    x = layers.Conv2D(filtten,(xx,yy),strides=strides,padding='same')(x)
    x = layers.BatchNormalization()(x)
    return x

def ResNetblock(input,filtten,strides = (1,1)):
    x = ConvCall(input,filtten,3,3,strides=strides)
    x = layers.Activation("relu")(x)

    x = ConvCall(x,filtten,3,3,strides=(1,1))
    if strides != (1,1):
        residual = ConvCall(input,filtten,1,1,strides=strides)
    else:
        residual = input

    x = x + residual
    x = layers.Activation("relu")(x)

    return x

def ResNet18(inputs):
    x = ConvCall(inputs, 64, 3, 3, strides=(1, 1))
    x = layers.Activation('relu')(x)

    x = ResNetblock(x, 64, strides=(1, 1))
    x = ResNetblock(x, 64, strides=(1, 1))

    x = ResNetblock(x, 128, strides=(2, 2))
    x = ResNetblock(x, 128, strides=(1, 1))

    x = ResNetblock(x, 256, strides=(2, 2))
    x = ResNetblock(x, 256, strides=(1, 1))

    x = ResNetblock(x, 512, strides=(2, 2))
    x = ResNetblock(x, 512, strides=(1, 1))
    x = layers.GlobalAveragePooling2D()(x)  # 全局平均池化
    output = layers.Dense(10, "softmax")(x)
    return output


if __name__ == '__main__':
    main()

训练10个epoch的效果