【第五章:计算机视觉-项目实战之图像分类实战】1.经典卷积神经网络模型Backbone与图像-(4)经典卷积神经网络ResNet的架构讲解

第五章：计算机视觉（Computer Vision）-项目实战之图像分类实战

第一部分：经典卷积神经网络模型 Backbone 与图像

第四节：经典卷积神经网络 ResNet 的架构讲解

---

1. 背景与动机

在 VGGNet 之后，卷积神经网络虽然加深了层数（达到 19 层以上），但也带来了 梯度消失与梯度爆炸 的问题，导致训练困难，效果甚至出现退化。

微软研究院在 2015 年提出了 ResNet（Residual Network） ，其核心贡献是引入了 残差学习机制（Residual Learning），大幅缓解了深层网络训练中的梯度问题。

ResNet 在 ImageNet 竞赛中取得了突破性的成绩，ResNet-152 以 152 层的深度赢得了冠军，并首次将 Top-5 错误率降低到 3.57%。

---

2. 核心思想：残差学习（Residual Learning）

ResNet 的关键在于 残差块（Residual Block） ，它通过 "跨层连接"（shortcut connection） 来实现输入与输出的直接相加：

H(x) = F(x) + x

其中：

• x：输入

• F(x)：通过卷积层、激活层等学习到的残差映射

• H(x)：输出

这种设计允许网络学习 "残差"，即与输入的差异，而不是直接学习完整映射，降低了训练难度。

---

3. 残差块（Residual Block）结构

一个典型的残差块包含：

1. 两个卷积层（通常为 3×3 卷积）

2. 每个卷积层后接 Batch Normalization 和 ReLU 激活函数

3. Shortcut connection 将输入 x 直接加到输出上

示意图：

Input x
   │
 ┌─▼─────────────────┐
 │  Conv → BN → ReLU │
 │  Conv → BN        │
 └─────────────▲─────┘
               │
          Identity (x)
               │
             Add (+)
               │
             ReLU

---

4. ResNet 的主要架构

根据网络深度不同，ResNet 有多个版本：ResNet-18、ResNet-34、ResNet-50、ResNet-101、ResNet-152。

其中：

• ResNet-18 / ResNet-34 使用基本残差块（Basic Block）

• ResNet-50 / ResNet-101 / ResNet-152 使用瓶颈残差块（Bottleneck Block），减少计算量

Bottleneck Block 结构：

• 1×1 卷积（降维）

• 3×3 卷积（特征提取）

• 1×1 卷积（升维）

这样能在保证表达能力的同时，显著减少参数和计算量。

---

5. ResNet 的创新与优势

• 解决退化问题：深度增加时不会再出现精度下降

• 极深网络可训练：层数可超过 100 层甚至 1000 层

• 迁移学习基础：ResNet 成为后续许多计算机视觉模型（如 Faster R-CNN、Mask R-CNN、YOLO、Vision Transformer 等）的 backbone

• 性能卓越：在图像分类、目标检测、语义分割等任务中表现优异

---

6. PyTorch 实现示例

import torch
import torch.nn as nn
import torch.nn.functional as F

# 基本残差块 BasicBlock
class BasicBlock(nn.Module):
    expansion = 1
    
    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(BasicBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3,
                               stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.downsample = downsample
    
    def forward(self, x):
        identity = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        if self.downsample is not None:
            identity = self.downsample(x)
        
        out += identity
        out = self.relu(out)
        return out

# 构建 ResNet18
class ResNet(nn.Module):
    def __init__(self, block, layers, num_classes=1000):
        super(ResNet, self).__init__()
        self.in_channels = 64
        self.conv1 = nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3,
                               bias=False)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU(inplace=True)
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        
        self.layer1 = self._make_layer(block, 64, layers[0])
        self.layer2 = self._make_layer(block, 128, layers[1], stride=2)
        self.layer3 = self._make_layer(block, 256, layers[2], stride=2)
        self.layer4 = self._make_layer(block, 512, layers[3], stride=2)
        
        self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
        self.fc = nn.Linear(512 * block.expansion, num_classes)
    
    def _make_layer(self, block, out_channels, blocks, stride=1):
        downsample = None
        if stride != 1 or self.in_channels != out_channels * block.expansion:
            downsample = nn.Sequential(
                nn.Conv2d(self.in_channels, out_channels * block.expansion,
                          kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(out_channels * block.expansion),
            )
        
        layers = []
        layers.append(block(self.in_channels, out_channels, stride, downsample))
        self.in_channels = out_channels * block.expansion
        for _ in range(1, blocks):
            layers.append(block(self.in_channels, out_channels))
        return nn.Sequential(*layers)
    
    def forward(self, x):
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.maxpool(x)

        x = self.layer1(x)
        x = self.layer2(x)
        x = self.layer3(x)
        x = self.layer4(x)

        x = self.avgpool(x)
        x = torch.flatten(x, 1)
        x = self.fc(x)
        return x

def ResNet18(num_classes=1000):
    return ResNet(BasicBlock, [2, 2, 2, 2], num_classes)

# 测试
model = ResNet18(num_classes=10)
print(model)

---

7. 小结

• ResNet 的残差学习思想解决了深层网络的退化问题

• 残差块通过 shortcut connection 让梯度更容易传播

• ResNet 已成为计算机视觉任务中的经典 backbone

• PyTorch 提供了 torchvision.models.resnet18/34/50/101/152 预训练模型，可直接调用