Resnet152

🚀 ResNet152

ResNet152是一個用於圖像分類的模型，它基於殘差網絡（ResNet）架構，能夠有效解決深度神經網絡中的梯度消失和梯度爆炸問題，提升模型的訓練效果和性能。

🚀 快速開始

ResNet是在論文 Deep Residual Learning for Image Recognition 中提出的模型。以下是使用ResNet不同變體的示例代碼：

ResNet.resnet18()
ResNet.resnet26()
ResNet.resnet34()
ResNet.resnet50()
ResNet.resnet101()
ResNet.resnet152()
ResNet.resnet200()

# 論文 `Bag of Tricks for Image Classification with Convolutional Neural Networks <https://arxiv.org/pdf/1812.01187.pdf`_ 中提出的變體 (d)
ResNet.resnet26d()
ResNet.resnet34d()
ResNet.resnet50d()
# 你可以通過更改 `stem` 和 `block` 來構建自己的模型
resnet101d = ResNet.resnet101(stem=ResNetStemC, block=partial(ResNetBottleneckBlock, shortcut=ResNetShorcutD))

💻 使用示例

基礎用法

# 更改激活函數
ResNet.resnet18(activation = nn.SELU)
# 更改分類數量（默認是1000）
ResNet.resnet18(n_classes=100)
# 傳入不同的塊
ResNet.resnet18(block=SENetBasicBlock)
# 更改 stem
model = ResNet.resnet18(stem=ResNetStemC)
# 更改捷徑
model = ResNet.resnet18(block=partial(ResNetBasicBlock, shortcut=ResNetShorcutD))

高級用法

# 存儲每個特徵
x = torch.rand((1, 3, 224, 224))
# 獲取特徵
model = ResNet.resnet18()
# 首先調用 .features，這將激活前向鉤子並告訴模型你想要獲取特徵
model.encoder.features
model(torch.randn((1,3,224,224)))
# 從編碼器中獲取特徵
features = model.encoder.features
print([x.shape for x in features])
#[torch.Size([1, 64, 112, 112]), torch.Size([1, 64, 56, 56]), torch.Size([1, 128, 28, 28]), torch.Size([1, 256, 14, 14])]

📄 許可證

本項目採用Apache-2.0許可證。

📦 相關信息