共计 3302 个字符，预计需要花费 9 分钟才能阅读完成。
ResNet 是一种深度卷积神经网络架构，由微软研究员 Kaiming He 等人在 2015 年的论文《Deep Residual Learning for Image Recognition》中提出。ResNet 旨在解决深层网络训练中的梯度隐没和进化问题，使得能够训练更深、更简单的神经网络，同时取得更好的性能。
ResNet 的外围翻新在于“残差块”的引入，这种块容许网络学习残差函数，即输出与冀望输入之间的差别，而不是间接学习整个映射。这种思维背地的要害洞察是，通过残差连贯，网络能够轻松地跳过某些层，从而在训练过程中更无效地流传梯度，加重了梯度隐没问题。这种构造也使得更深的网络绝对容易训练。
ResNet 的一个重要变体是带有“残差学习”的 ResNet-50，其中 50 示意网络中的层数。ResNet-50 在 ImageNet 图像分类工作上表现出色，成为了过后当先的模型之一。
总结 ResNet 的要点：
- 残差块：引入残差块解决梯度隐没问题，容许网络学习残差函数，即输出与冀望输入之间的差别。
- 解决进化问题：ResNet 通过跳过某些层的形式，容许训练更深的网络，解决了进化问题，进步了网络性能。
- ResNet-50 等变体：ResNet 的不同变体（如 ResNet-50、ResNet-101 等）在 ImageNet 等数据集上获得了显著的图像分类性能。
- 在其余工作上的利用：ResNet 的思维也被利用于其余计算机视觉工作，如指标检测、宰割等。
ResNet 的胜利为后续的深度学习钻研和利用提供了重要的启发，尤其是在设计更深、更简单的神经网络时的领导准则。
ResNet 在理论生产中具备重要作用，特地在计算机视觉畛域。其创新性的残差块构造和可能训练更深层网络的能力，使得 ResNet 成为深度学习中的重要工具。它在图像分类、指标检测、图像宰割、格调转换、图像生成、医疗影像剖析和主动驾驶等工作中广泛应用。在图像分类方面，ResNet 可能取得更高的准确率，用于辨别和辨认不同的对象和物体。在指标检测中，作为特征提取器，ResNet 能够用于定位和辨认图像中的物体。同时，ResNet 也在医疗畛域进行 X 射线、MRI 等影像剖析，帮忙医生进行疾病诊断和病灶定位。在主动驾驶中，ResNet 用于物体检测和辨认，进步了车辆的感知和安全性。
本次训练应用炼丹侠平台 A100 服务器。设置了模型训练对照组，一组为应用炼丹侠 A100 GPU 进行训练的 ResNet18，另一组是应用炼丹侠 CPU 进行训练的 ResNet18，本次训练的流程为定义模型、模型训练、模型总结，训练的内容是 cifar10 数据集。
GPU 版本残缺代码如下：
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import torchvision.models as models
# 初始化 ResNet 模型
model = models.resnet18(pretrained=False)
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 10) # 10 类用于 MNIST 分类
model = model.cuda() # 将模型移至 GPU
# 定义数据预处理
transform = transforms.Compose([transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))
])
# 加载训练数据集
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
model.train()
running_loss = 0.0
for images, labels in train_loader:
images = images.cuda()
labels = labels.cuda()
optimizer.zero_grad()
outputs = model(images)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}')
CPU 版本代码如下：
import torch
import torch.nn as nn
import torch.optim as optim
import torchvision
import torchvision.transforms as transforms
import torchvision.models as models
# 初始化 ResNet 模型
model = models.resnet18(pretrained=False)
num_ftrs = model.fc.in_features
model.fc = nn.Linear(num_ftrs, 10) # 10 类用于 MNIST 分类
# 定义数据预处理
transform = transforms.Compose([transforms.ToTensor(),
transforms.Normalize((0.5,), (0.5,))
])
# 加载训练数据集
train_dataset = torchvision.datasets.MNIST(root='./data', train=True, transform=transform, download=True)
train_loader = torch.utils.data.DataLoader(dataset=train_dataset, batch_size=64, shuffle=True)
# 定义损失函数和优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=0.001)
# 训练模型
num_epochs = 10
for epoch in range(num_epochs):
model.train()
running_loss = 0.0
for images, labels in train_loader:
optimizer.zero_grad()
outputs = model(images)
loss = criterion(outputs, labels)
loss.backward()
optimizer.step()
running_loss += loss.item()
print(f'Epoch [{epoch+1}/{num_epochs}], Loss: {running_loss/len(train_loader):.4f}')
训练过程后果如下：
https://www.bilibili.com/video/BV1UF411S7jt/?spm_id_from=333….
ResNet 是一种深度卷积神经网络架构，这种块容许网络学习输出与冀望输入之间的差别，通过残差连贯无效流传梯度，使得更深的网络易于训练。在本次训练过程中，通过对 cifar10 数据集的训练，应用 A100 进行减速的训练时长为 132s，应用 CPU 进行训练的时长为 3362s，工夫性能晋升 25 倍。
正文完
