🚀 ResNet152

ResNet152是一个用于图像分类的模型，它基于残差网络（ResNet）架构，能够有效解决深度神经网络中的梯度消失和梯度爆炸问题，提升模型的训练效果和性能。

🚀 快速开始

ResNet是在论文 Deep Residual Learning for Image Recognition 中提出的模型。以下是使用ResNet不同变体的示例代码：

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

# 论文 `Bag of Tricks for Image Classification with Convolutional Neural Networks <https://arxiv.org/pdf/1812.01187.pdf`_ 中提出的变体 (d)
ResNet.resnet26d()
ResNet.resnet34d()
ResNet.resnet50d()
# 你可以通过更改 `stem` 和 `block` 来构建自己的模型
resnet101d = ResNet.resnet101(stem=ResNetStemC, block=partial(ResNetBottleneckBlock, shortcut=ResNetShorcutD))

💻 使用示例

基础用法

# 更改激活函数
ResNet.resnet18(activation = nn.SELU)
# 更改分类数量（默认是1000）
ResNet.resnet18(n_classes=100)
# 传入不同的块
ResNet.resnet18(block=SENetBasicBlock)
# 更改 stem
model = ResNet.resnet18(stem=ResNetStemC)
# 更改捷径
model = ResNet.resnet18(block=partial(ResNetBasicBlock, shortcut=ResNetShorcutD))

高级用法

# 存储每个特征
x = torch.rand((1, 3, 224, 224))
# 获取特征
model = ResNet.resnet18()
# 首先调用 .features，这将激活前向钩子并告诉模型你想要获取特征
model.encoder.features
model(torch.randn((1,3,224,224)))
# 从编码器中获取特征
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])]

📄 许可证

本项目采用Apache-2.0许可证。

📦 相关信息