ResNet18网络的具体构成

一、基础
RetNet网络的基础是残差块。
以下是原始论文所给出的最基础的残差块。后续可以对单残差块进行处理如加入池化批量化归一等各种操作。

二、最基本的的ResNet18
ResNet18的基本含义是网络的基本架构是ResNet网络的深度是18层。但是这里的网络深度指的是网络的权重层也就是包括池化激活线性层。而不包括批量化归一层池化层。
下图就是一个ResNet18的基本网络架构其中并未加入批量化归一和池化层。

该图是论文给出的不同ResNet网络的层次需求。

三、具体解析网络中的大小和通道的变化

上图就是简单的ResNet18的数据变化图。
我们可以看到假设输入数据的大小为3224224也就是3个通道每个通道的大小为224*224。

17*7卷积层
首先根据论文中所说的首先经过一个卷积层。这个卷积层的卷积核的大小为77步长为2padding为3输出通道为64。根据公式

我们可以算出最后输出数据的大小为64112*112.

2池化层
这里通过一个最大池化层这一层的卷积核的大小是33步长为2padding为1。最后输出数据的大小为6456*56
也就是说这个池化不改变数据的通道数量而会减半数据的大小。

3第一个3*3卷积层
第一个卷积33卷积层卷积核的大小为33步长为1padding为1。最后通过两个第一个卷积层的输出数据大小为645454也就是这一层不改变数据的大小和通道数。

4第二个3*3卷积层
首先通过一个11的卷积层并经过一个下采样。这样最后的输出数据为12828*28。也就是将输出通道翻倍输出数据大小全部减半。

5第三个3*3卷积层
同样进行11卷积和下采样。这样最后的输出为25614*14。也就是将输出通道翻倍输出数据大小全部减半。

6第四个3*3卷积层
和上述同理最后的输出为51277。也就是将输出通道翻倍输出数据大小全部减半。

7平均池化层
最后输出为51211

8线性层