CIFAR10数据集实战-ResNet网络构建(下)

试运行一下：

发现报错

RuntimeError: Given groups=1, weight of size 128 64 3 3, expected input[2, 3, 32, 32] to have 64 channels, but got 3 channels instead

报错原因为维度输入错误。进行更改

tmp = torch.randn(2, 64, 32, 32)

再次运行

输出为

torch.Size([2, 128, 32, 32])

这里注意到由[2, 64, 32, 32]到[2, 128, 32, 32]，channel数量翻倍，而长和宽没有变化。这样势必会导致x的维度会越来越大。

因此为实现让长和宽能进行减小后，再运算。我们在卷积层中加入了stride设置。

代码改为

blk = ResBlk(64, 128, stride=2)

同样在定义时加上stride

def __init__(self, ch_in, ch_out, stride=1):

然后在卷积层中设置

self.conv1 = nn.Conv2d(ch_in, ch_out, kernel_size=3, stride=stride, padding=1)

另外

Short cut中的stride也要与第一层卷积层保持一致

改代码为

if ch_out != ch_in:    self.extra = nn.Sequential(        nn.Conv2d(ch_in, ch_out, kernel_size=1, stride=stride),

这时运行的输出为

torch.Size([2, 128, 16, 16])

这时为检测整个数据是否match，我们对x进行定义

x = torch.randn(2, 3, 32, 32)model = ResNet()out = model(x)print('resnet:', out.shape)

运行后报错：

RuntimeError: size mismatch, m1: [65536 x 32], m2: [1024 x 10] at ..\aten\src\TH/generic/THTensorMath.cpp:961

由报错结果上看，out.layer上出现错误

在out.layer上添加代码

print('after conv:', x.shape)x = self.outlayer(x)

该段输出

after conv: torch.Size([2, 1024, 32, 32])

首先为减小数据量 我们在4个ResNet单元层添加stride

self.blk1 = ResBlk(64, 128, stride=2)

另外我闷在输出层前加入pooling层

x = F.adaptive_avg_pool2d(x, [1, 1])print('after pool:', x.shape)x = x.view(x.size(0), -1)

此时输出为

after conv: torch.Size([2, 1024, 2, 2])after pool: torch.Size([2, 1024, 1, 1])resnet: torch.Size([2, 10])

最后输出为10个，对应于十分类问题。

将没用的输出信息注释掉，继续完善代码

回到main.py文件中去

引入工具包处改为

# from LeNet5 import LeNet5from resnet import ResNet

并将

model = LeNet5().to(device)

改为

model = ResNet().to(device)

其余地方不需要改

运行main.py文件

结果显示为

acc: 0.6112acc: 0.7071acc: 0.7558acc: 0.7831acc: 0.7832acc: 0.795acc: 0.7958acc: 0.7879acc: 0.7995

正确率随着epoch的运行持续增加

至此，ResNet和LeNet5都已介绍完毕。