如何在Tensorflow实现ResNet网络

实现ResNet使用的也是先搭建网络，然后评价迭代耗时的方法，在这里我们把 代码分成了ResNet_struct.py和ResNet_run.py，其中ResNet_struct.py用来搭建网络，ResNet_run.py用来评测网络，今天主要介绍ResNet_struct.py，我们先从搭建网络开始，导入一些需要用到的库：

接下来创建一个Block类，这个类用来配置残差学习模型的大小。初始化一个Block类需要传入3个参数：name、residual_unit和args。其中name就是这个残差学习模块的名称。residual_unit指的就是创建这个残差学习模块用到的函数，args指的就是残差学习模块的大小信息。

接下来定义一个conv2d_same（）函数，创建卷积层：

接下来通过函数 residual_unit（）定义残差学习单元的创建过程。我们来看一下 residual_unit（）函数的参数， inputs 是输入，它是模拟的图像数据集经由 ResNet 最开始的卷积层和池化层处理得到。residual_unit（）被创建 ResNet结构的主函数 resnet_v2（）所调用，在 resnet_v2（）函数中则先是创建了 ResNet最开始的卷积层和池化层。depth、degpth_residual和stride3个参数可以对应到Blocks类中的args，实际上args是一个由元组组成的列表，每一个元组中包含3个值，分别是一个残差学习单元中第三个卷积层的输出通道数、前两个卷积层的输出通道数以及中间卷积层的步长。接下来就是残差单元的实现，每一个残差单元中都用到了BatchNomalization,。（这是一种正则化操作，针对每一批数据，在网络的每一层输入之前增加归一化处理（均值为0，标准差为1），这样做的目的是为了增强模型的泛化能力。）

函数 residual_unit（）的重点是创建残差 （代码中的 residual ），也就是3 层卷积。第一个卷积的核大小为 1 x 1，步长为1、输出通道数由 depth_residual 参数确定；第二个卷积的核大小为 3 x 3 、步长由 sride 参数确定、输出通道数由 depth_residual 参数确定；第二个卷积的核大小为1x1、步长为1、输出通道数由 depth 参数确定。在经过3步卷积后得到残差 residual 的结果,将这个结果与identity相加，得到最后结果ouput。ouput通过slim.utils.coBeet_named_outputs（）函数添加进 collection 就可以作为结果返回。以下是函数源码：

接下来是学习ResNet的各个残差学习模块在resnet_v2_152()函数中的配置，整个网络的4个残差学习模块的残差学习单元输了分别是3，8，36，4，总层数为（（3+8+36+3）x3+2）=152此外需要注意的是，残差学习模块之前的卷积，池化已经将尺寸缩小了4倍。除此之外前3个残差学习模块又都包含步长为2的层。以下是resnet_v2_152()的源码：

在resnet_v2_152（）函数的返回值中，调用了生成 ResNet V2 的主函数resnet_v2（）。使用 resnet_v2（）函数就可以生成对应的完整的 ResNet。关于 resnet_v2（）函数的参数，inputs 就是模拟的图片数据集，由resnet_v2_ l 52（）函数传递到 resnet_v2（）函数blocks 就是在 resnet_v2_152()函数内定义好的 Block 类的列表：num classes 是最后输出的类数，在外部我们会赋值为 1000，也是经由 resnet_v2_1 52（）函数传递到 resnet_v2（）函数，以下就是resnet_v2()函数的源码：

以上就是ResNet_struct.py的全部内容，在实现ResNet_struct.py的过程中我们用到了很多陌生的函数，这些东西都需要我们慢慢去学习消化。

关注小鲸融创，一起深度学习金融科技！