企业官网建设流程全解析

一、前期准备

1. 模块导入与GPU设置​

2. 导入数据​​​​

3. 划分数据集​

二、ResNet34模型

1. 调用模型​

2. 查看模型详情​​

3.手动搭建ResNet34

三、训练模型

1. 编写训练函数​

2. 编写测试函数​

4. 正式训练​​

四、结果可视化

1. Loss与Accuracy图​​

​​2. 模型评估​

四、学习心得

ResNet 的核心是残差连接。残差块的输出是 ReLU(F(x) + x)，卷积层只需要学习输入和输出之间的差值，梯度还能顺着捷径直接传回前面的层，所以网络加深后不容易退化。

读懂官方代码的结构输出，就能手动搭出 ResNet34。整体结构是：7×7 卷积 + 最大池化，然后 4 个 stage 分别堆叠 3、4、6、3 个 BasicBlock，最后接全局平均池化和全连接层，一共 1 + 16×2 + 1 = 34 层。搭建时有三个要点：

• layer 2~4 的第一个块会把尺寸减半、通道翻倍，这时捷径上要加 1×1 卷积 + BN（也就是 downsample）来对齐形状；

• 卷积后面紧跟 BN，所以卷积层不需要 bias；

• 用 _make_layer 按个数堆叠 BasicBlock，代码会简洁很多。

搭好后打印出的结构和官方完全对应。

迁移学习效果很明显。调用官方 ResNet34 并加载 ImageNet 预训练权重，只要把最后的 fc 换成 2 类输出。第 1 轮测试准确率就到了 97.4%，20 轮后最佳测试准确率是 98.8%。

ResNet34 比 VGG-16 更深，参数却少得多。它的层数是 VGG-16 的两倍多，参数量只有 2129 万，而上周的 VGG-16 约 1.34 亿。主要原因是 ResNet 用全局平均池化代替了 VGG 那几个巨大的全连接层。