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!