Архитектуры CNN являются одними из важных форм анализа изображений и видеографических материалов. Некоторые из важных применений того же самого можно заметить и в отделе биомедицинской инженерии, особенно в разделе биовизуализации. Согласно обзору литературы, было разработано множество таких архитектур CNN, которые были реализованы для изучения обнаружения аномалий в организме человека. Здесь я собираюсь исследовать «создание ResNet: с нуля».

Модули: PyTorch, Cuda (опционально)

Если вы не знаете, как установить PyTorch в своей системе, вы можете проверить эту ссылку здесь. Это поможет вам! Движение вперед…

Реснет:

Это глубокая архитектура с множеством более глубоких нитей. Глубокие сети используются для лучшего понимания важных аспектов и особенностей доступного изображения. Давайте строить…

import torch
import torch.nn as nn

Это две важные строки, которые вы должны импортировать в свою среду. Теперь, ПОЗВОЛЬТЕ ПРЕДУПРЕДИТЬ ВАС! Это большая сеть, и потребуется некоторое время, чтобы завершить работу с набором данных. Для новичков: если вы видите, что ваш экран среды застрял на одном месте в течение длительного времени, не волнуйтесь, потому что компьютер просто делает то, что вы попросили его сделать!

Требуется небольшой опыт программирования, потому что мы собираемся определять классы, а это, в конечном счете, потребует некоторых вопросов о наследовании, и это может запутать ваш мозг. Так что, чтобы этого не произошло, окунитесь в какие-нибудь туториалы по ООП.

class resnet_block(nn.Module):
    def __init__(self, in_channels, out_channels, 
idt_downsample=None, stride=1):
        super(resnet_block, self).__init__()
        self.expansion = 4
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=1, padding=0)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=stride, padding=1)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.conv3 = nn.Conv2d(out_channels, out_channels*self.expansion, kernel_size=1, stride=1, padding=0)
        self.bn3 = nn.BatchNorm2d(out_channels*self.expansion)
        self.relu = nn.ReLU()
        self.identity_downsample = idt_downsample

Код был структурирован для многократного использования и минимальных усилий по запоминанию материала. Для этапа инициализации создан блок resnet, который будет содержать все необходимые параметры, упомянутые в статье. Поскольку ResNet работает по теории остаточных сетей, нам нужна дополнительная идентичная матрица, соответствующая требованиям того же самого.

Теперь, когда мы создали наш блок resnet, пришло время продвинуться вперед с ним и определить функцию «вперед».

def forward(self, x):
        identity = x
        x = self.conv1(x)
        x = self.bn1(x)
        x = self.relu(x)
        x = self.conv2(x)
        x = self.bn2(x)
        x = self.relu(x)
        x = self.conv3(x)
        x = self.bn3(x)
        
        if self.identity_downsample is not None:
            identity = self.identity_downsample(identity)
            
        x += identity
        x = self.relu(x)
        return x

Функция «вперед» предназначена для работы после фазы инициализации и содержит все необходимые шаги (как определено в исследовательской статье). Теперь всякий раз, когда будет вызываться блок resnet, это будет функция «вперед», которая будет выполнять основную задачу для класса. Теперь, поскольку функция «вперед» написана, нам нужно перейти к фактическому моделированию ResNet.

Для моделирования ResNet мы будем следовать фактической структуре, как определено в документе. Теперь, вот случай, когда мы должны найти концепции наследования в действии. Мы возьмем экземпляр исходного класса и реализуем его в нашем текущем классе. Если вы хорошо разбираетесь в бумажке, то для вас это будет совершенно логично, и вы будете следить за ней в кратчайшие сроки!

Теперь формулируем блок «ResNet».

class ResNet(nn.Module):
    def __init__(self, resnet_block, layers, img_channels, num_classes):
        super(ResNet, self).__init__()
        self.in_channels = 64
        self.conv1 = nn.Conv2d(img_channels, 64, kernel_size=7, stride=2, padding=3)
        self.bn1 = nn.BatchNorm2d(64)
        self.relu = nn.ReLU()
        self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        
        # ResNet Layers
        self.layer1 = self._layers(resnet_block, layers[0], out_channels=64, stride=1)
        self.layer2 = self._layers(resnet_block, layers[1], out_channels=128, stride=2)
        self.layer3 = self._layers(resnet_block, layers[2], out_channels=256, stride=2)
        self.layer4 = self._layers(resnet_block, layers[3], out_channels=512, stride=2)
        
        self.avgpool = nn.AdaptiveAvgPool2d((1,1))
        self.fc = nn.Linear(512*4, num_classes)

Из приведенного выше блока вы можете заметить, что есть еще один метод, называемый «_layers». Мы еще не определили его. Это будет исходный определяющий блок для нашей модели. Блок «_layers» будет иметь определение для части пониженной выборки идентичности (упомянутой в исследовательской статье).

Теперь основная часть класса ResNet, которая фактически запускает наш алгоритм, — это функция прямого определения. Эта функция будет основой для реализации архитектуры ResNet, и каждый раз, когда мы вызываем функцию, наша модель будет находить «прямое» определение для реализации.

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 = x.reshape(x.shape[0], -1)
        x = self.fc(x)
        return x

Теперь о загадочной функции _layers. Это было предположением для многих, я думаю. Это место, где мы будем складывать слои и на основе предоставленных входных данных моделировать желаемые версии архитектуры (например, ResNet50, ResNet101 и т. д.).

def _layers(self, resnet_block, no_residual_blocks, out_channels, stride):
        identity_downsample = None
        layers = []
        
        if stride != 1 or self.in_channels != out_channels * 4:
            identity_downsample = nn.Sequential(nn.Conv2d(self.in_channels, out_channels*4, kernel_size=1,
                                                          stride=stride),
                                                nn.BatchNorm2d(out_channels*4))
        
        layers.append(resnet_block(self.in_channels, out_channels, identity_downsample, stride))
        self.in_channels = out_channels * 4
        
        for i in range(no_residual_blocks - 1):
            layers.append(resnet_block(self.in_channels, out_channels))
        
        return nn.Sequential(*layers)

Итак, мы все определили и пришло время определить, верны наши предположения или нет. Мы можем реализовать приведенный ниже блок кода, чтобы протестировать архитектуру.

def ResNet50(img_channels=3, num_classes=1000):
    return ResNet(resnet_block, [3,4,6,3], img_channels, num_classes)

И мы закончили! Это была тяжелая работа. Спасибо, что выдержали до последнего. Это важная архитектура в доменах CNN, и понять ее действительно сложно! Если вам нужна дополнительная помощь, см. разделы ниже…

Помощь в пути!

Если вы все еще в замешательстве и хотите полностью ознакомиться с реальными методами и тем, как все применяется, то любезно направляйтесь по этой ссылке.

использованная литература

Весь сегмент вдохновлен оригинальными работами исследователей ResNet. Пожалуйста, посмотрите!