Pytorch从0到1之残差神经网络ResNet——(8)

开篇

这次我们来聊一下残差神经网络的实现。这是咱们国内大神何凯明当年在CVPR上荣获一等奖的作品。它通过相等输入输出维度之间的恒等映射，高维度向低维度的下采样等方法构造残差块，对于很深的网络降低了学习难度，同时由于是恒等映射，我们在求解梯度的时候也相对轻松很多。
这也引入了一个新的方法去解决梯度爆炸或者梯度消失的问题，除了使用Batch Normalization和RELU以外，我们也可以构建残差块生成ResNet。

这里我们不介绍ResNet的主要原理，大家可以下载ResNet论文自己阅读，或者看一些介绍原理的博客，建议学完基础原理再回来看实现方法，因为这种实现方法其实是论文的一种复现。我们开始吧。

ResNet残差神经网络

库的引入

import torch
import torch.nn as nn
import torchvision
import torchvision.transforms as transforms

设备配置及超参数的定义

device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')

num_epochs = 80
batch_size = 100
learning_rate = 0.001

定义图像预处理的操作
这里就有需要用到很多我们transforms库中的函数了

transform = transforms.Compose([
    transforms.Pad(4),
    transforms.RandomHorizontalFlip(),
    transforms.RandomCrop(32),
    transforms.ToTensor()])

Compose表示一个集合，这个图像预处理操作包括内部的内容：
1.图像填充
2.图像随机垂直旋转
3.图像随即剪切
4.图像转变为张量
数据集的引入与加载
这次我们不再使用mnist数据集，而是使用CIFAR10数据集。这是多伦多大学的数据集，内部图片都是32*32的3通道彩色图片，基本都是外部世界的真是物品，某种程度上来说比MNIST好得多。大家可以去http://www.cs.toronto.edu/~kriz/cifar.html找到这个数据集。

train_dataset = torchvision.datasets.CIFAR10(root='../../data/',
                                             train=True,
                                             transform=transform,
                                             download=True)

test_dataset = torchvision.datasets.CIFAR10(root='../../data/',
                                            train=False,
                                            transform=transforms.ToTensor())

# Data loader
train_loader = torch.utils.data.DataLoader(dataset=train_dataset,
                                           batch_size=batch_size,
                                           shuffle=True)

test_loader = torch.utils.data.DataLoader(dataset=test_dataset,
                                          batch_size=batch_size,
                                          shuffle=False)

定义一个卷积核为3*3，步长为1，填充长度也为1的卷积函数

def conv3x3(in_channels, out_channels, stride=1):
    return nn.Conv2d(in_channels, out_channels, kernel_size=3,
                     stride=stride, padding=1, bias=False)

这个函数的定义主要是为了方便之后的调用，再使用的时候就不需要写很长一块了
残差块类的定义

class ResidualBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(ResidualBlock, self).__init__()
        self.conv1 = conv3x3(in_channels, out_channels, stride)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = conv3x3(out_channels, out_channels)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.downsample = downsample

    def forward(self, x):
        residual = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
        out = self.conv2(out)
        out = self.bn2(out)
        # 下采样
        if self.downsample:
            residual = self.downsample(x)
        out += residual
        out = self.relu(out)
        return out

残差块是残差神经网络中很重要的一块，我们的核心都在里面。
我们可以看到残差块先是经过一个3*3的卷积神经网络，然后经过Batch Normalization函数进行标准化，然后经过RELU激活函数，再经过卷积网络和Batch Normalization。最后就是我们残差映射，如果downsample不为None，则我们应该从低维进行下采样，加到out上，如果为None,即两个维度相同，则直接加上恒等映射的x.
下面我们会说这个downsample到底什么样子。
残差网络的定义

class ResNet(nn.Module):
    def __init__(self, block, layers, num_classes=10):
        super(ResNet, self).__init__()
        self.in_channels = 16
        self.conv = conv3x3(3, 16)
        self.bn = nn.BatchNorm2d(16)
        self.relu = nn.ReLU(inplace=True)
        # 构建残差块,恒等映射
        # in_channels == out_channels and stride = 1 所以这里我们构建残差块,没有下采样
        self.layer1 = self.make_layer(block, 16, layers[0], stride=1)
        # 不构建残差块,进行了下采样
        # layers中记录的是数字,表示对应位置的残差块数目
        self.layer2 = self.make_layer(block, 32, layers[1], 2)
        # 不构建残差块,进行了下采样
        self.layer3 = self.make_layer(block, 64, layers[2], 2)
        self.avg_pool = nn.AvgPool2d(8)
        self.fc = nn.Linear(64, num_classes)

    def make_layer(self, block, out_channels, blocks, stride=1):
        downsample = None
        if (stride != 1) or (self.in_channels != out_channels):
            downsample = nn.Sequential(
                conv3x3(self.in_channels, out_channels, stride=stride),
                nn.BatchNorm2d(out_channels))
        layers = []
        layers.append(block(self.in_channels, out_channels, stride, downsample))
        # 当out_channels = 32时,in_channels也变成32了
        self.in_channels = out_channels
        # blocks是残差块的数目
        # 残差块之后的网络结构,是out_channels->out_channels的
        # 可以说,make_layer做的是输出尺寸相同的所有网络结构
        # 由于输出尺寸会改变,我们用make_layers去生成一大块对应尺寸完整网络结构
        for i in range(1, blocks):
            layers.append(block(out_channels, out_channels))
        return nn.Sequential(*layers)

    def forward(self, x):
        out = self.conv(x)
        out = self.bn(out)
        out = self.relu(out)
        # layer1是三块in_channels等于16的网络结构，包括三个恒等映射
        out = self.layer1(out)
        # layer2包括了16->32下采样,然后是32的三个恒等映射
        out = self.layer2(out)
        # layer3包括了32->64的下采样,然后是64的三个恒等映射
        out = self.layer3(out)
        out = self.avg_pool(out)
        # 全连接压缩
        # out.size(0)可以看作是batch_size
        out = out.view(out.size(0), -1)
        out = self.fc(out)
        return out

这就是我们的核心部分，我们可以看到，残差网络本身要先经过Conv3*3->Batch Normalization->RELU。然后才是我们的三层残差块。
我们主要来看我们的make_layers函数:
函数内部给出了何时进行下采样。如果步长不为1或者输入维度不等于输出维度的时候进行下采样，否则进行恒等映射。什么意思呢？
在layer1处，当我们的输入维度是16时，输出维度也是16，此时我们需要进行恒等映射，然后将out_channels设置为16.然后在layer2处，由于输入维度变成了32，我们就需要从32向16维度进行下采样，即会从16维度的残差块引出一条线进入32维度。然后out_channels = 32了,32维度残差块内部进行恒等映射。到了layer3我们又要从32维度的残差块下采样到64维度，然后out_channels=64，我们在64内部进行恒等映射。
这里面的参数layers[0],layer[1],layers[2]表示的是各个维度残差块的数目。
定义模型

# [2,2,2]表示的是不同in_channels下的恒等映射数目
model = ResNet(ResidualBlock, [2, 2, 2]).to(device)

损失函数的定义

criterion = nn.CrossEntropyLoss()
optimizer = torch.optim.Adam(model.parameters(), lr=learning_rate)

设置一个通过优化器更新学习率的函数

def update_lr(optimizer, lr):
    for param_group in optimizer.param_groups:
        param_group['lr'] = lr

训练模型更新学习率

total_step = len(train_loader)
curr_lr = learning_rate
for epoch in range(num_epochs):
    for i, (images, labels) in enumerate(train_loader):
        images = images.to(device)
        labels = labels.to(device)

        # Forward pass
        outputs = model(images)
        loss = criterion(outputs, labels)

        # Backward and optimize
        optimizer.zero_grad()
        loss.backward()
        optimizer.step()

        if (i + 1) % 100 == 0:
            print("Epoch [{}/{}], Step [{}/{}] Loss: {:.4f}"
                  .format(epoch + 1, num_epochs, i + 1, total_step, loss.item()))

    if (epoch + 1) % 20 == 0:
        curr_lr /= 3
        update_lr(optimizer, curr_lr)

测试模型并保存

model.eval()
with torch.no_grad():
    correct = 0
    total = 0
    for images, labels in test_loader:
        images = images.to(device)
        labels = labels.to(device)
        outputs = model(images)
        _, predicted = torch.max(outputs.data, 1)
        total += labels.size(0)
        correct += (predicted == labels).sum().item()

    print('Accuracy of the model on the test images: {} %'.format(100 * correct / total))

torch.save(model.state_dict(), 'resnet.ckpt')

总结

残差神经网络是很重要的一个网络模型，它的使用场景也非常广泛，如果我们有很深的网络，那就存在难以避免的学习困难和梯度爆炸或者消失的影响，这时候我们就可以使用深度残差神经网络。因为我们可以看到，在本次的例子中，我们残差网络基础有3层，残差块中又有6层（恒等映射或者下采样不算一层）。我们有三个残差结构，每一个残差结构两个残差块，所以我们就有6x2x3=36层。最后我们还有一个平均池化层一个全连接层，所以我们这个例子中就有36+3+1+1=41层网络。因此对于深度神经网络来说ResNet是个不错的选择。