下图为包含有18层(17个卷积层和1个全连接层)、34层(33个卷积层和1个全连接层)、50层(49个卷积层和1个全连接层)、101层(100个卷积层和1个全连接层)、152层(151个卷积层和1个全连接层)的resnet结构
下图是论文中给出的两种残差结构。左边的残差结构是针对层数较少网络，例如ResNet18层和ResNet34层网络。右边是针对网络层数较多的网络，例如ResNet101，ResNet152等。右侧的残差结构能够减少网络参数与运算量。同样输入、输出一个channel为256的特征矩阵，如果使用左侧的残差结构需要大约个参数，但如果使用右侧的残差结构只需要69632个参数。明显搭建深层网络时，使用右侧的残差结构更合适。
实线对应的残差结构输出的shape和输出的shape是一样的，可以直接相加
虚线对应的残差结构是输入的shape和输出的shape不一样的
下图为以34层结构为例的详细结构图，虚线部分对应上图中虚线残差结构，实线部分对应上图中实线残差结构
首先来看一下组卷积，即把输入特征矩阵分为g组，对每一组分别进行卷积操作，然后再把每一组的结果进行concat拼接。使用组卷积会减少模型参数量
ResNeXt是把ResNet中高层(50层、101层...)的残差结构替换为了右边的结构
对于ResNeXt的block，第二层用的是group conv
model.py
train.py
到此这篇resnet模型结构图（resnet网络结构图）的文章就介绍到这了,更多相关内容请继续浏览下面的相关 推荐文章，希望大家都能在编程的领域有一番成就！版权声明：
本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！
转载请注明出处，原文链接：https://www.xkablog.com/rfx/63623.html