(구현) Deep Residual Learning for Image Recognition

참고 사이트 :

https://github.com/akamaster/pytorch_resnet_cifar10/blob/master/resnet.py

pytorch_resnet_cifar10/resnet.py at master · akamaster/pytorch_resnet_cifar10

Resnet 논문에 나온 파라미터를 참고하여 작성한 코드입니다.

import torch.nn as nn
import torch
import torch.nn.functional as F
# 가중치 초기화 함수 제공
import torch.nn.init as init

# Kaiming 초기화 (ReLU에 적합한 파라미터 초기화 방법)
# 네트워크가 안정적으로 학습할 수 있게 해줌
def _weights_init(m):
    classname = m.__class__.__name__
    if isinstance(m, nn.Linear) or isinstance(m, nn.Conv2d):
        init.kaiming_normal_(m.weight)

# 크기를 맞추기 위해 패딩을 적용할 때 사용하면 간단한 계산 처리 가능
class LambdaLayer(nn.Module):
    def __init__(self, lambd):
        super(LambdaLayer, self).__init__()
        self.lambd = lambd

    def forward(self, x):
        return self.lambd(x)

# 두 개의 3x3 합성곱 레이어와 배치 정규화 레이어로 구성되며, shortcut 경로는 입력과 출력의 크기 및 채널 수를 맞추기 위해 추가된다.
class BasicBlock(nn.Module):
    expansion = 1

    def __init__(self, in_channels, out_channels, stride=1, option='A'):
        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.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)

        self.shortcut = nn.Sequential()
        if stride != 1 or in_channels != out_channels:
            # 패딩을 사용해 크기를 맞춘다.
            if option == 'A':
                """
                For CIFAR10 ResNet paper uses option A.
                """
                self.shortcut = LambdaLayer(lambda x:
                                            F.pad(x[:,:,::2,::2], (0,0,0,0, out_channels//4, out_channels//4), "constant",0))
            # 1x1 합성곱으로 채널 수와 크기를 조정한다.
            elif option == "B":
                self.shortcut = nn.Sequential(
                    nn.Conv2d(in_channels, self.expansion * out_channels, kernel_size=1, stride=stride, bias=False),
                    nn.BatchNorm2d(self.expansion * out_channels)
                )

        
        def forward(self,x):
            out = F.relu(self.bn1(self.conv1(x)))
            out = self.bn2(self.conv2(out))
            out += self.shortcut(x)
            out = F.relu(out)
            return out

# conv1은 초기 입력을 처리하는 합성곱 레이어, 입력은 RGB 이미지이므로 채널 수 3
class Resnet(nn.Module):
    def __init__(self, block, num_blocks, num_classes=10):
        super(Resnet,self).__init__()
        self.in_channels=16

        self.conv1 = nn.Conv2d(3, 16, kernel_size=3, stride=1, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(16)
        self.layer1 = self._make_layer(block, 16, num_blocks[0], stride=1)
        self.layer2 = self._make_layer(block, 32, num_blocks[1], stride=2)
        self.layer3 = self._make_layer(block, 64, num_blocks[2], stride=2)
        self.linear = nn.Linear(64, num_classes)

        self.apply(_weights_init)
    # 여러 개의 블록을 쌓는 역할을 한다.
    # 블록마다 stride 값을 조정하여 이미지 크기를 줄이고, 필요한 레이어들을 리스트로 쌓아서 반환
    def _make_layer(self,block,out_channels,num_blocks,stride):
        strides = [stride] + [1]*(num_blocks-1)
        layers = []
        for stride in strides:
            layers.append(block(self.in_channels, out_channels, stride))
            self.in_channels = out_channels * block.expansion

        return nn.Sequential(*layers)

    def forward(self,x):
        out = F.relu(self.bn1(self.conv1(x)))
        out = self.layer1(out)
        out = self.layer2(out)
        out = self.layer3(out)
        out = F.avg_pool2d(out, out.size()[3])
        out = out.view(out.size(0), -1)
        out = self.linear(out)
        return out


def resnet20():
    return Resnet(BasicBlock, [3,3,3])

def resnet32():
    return ResNet(BasicBlock, [5, 5, 5])


def resnet44():
    return ResNet(BasicBlock, [7, 7, 7])


def resnet56():
    return ResNet(BasicBlock, [9, 9, 9])


def resnet110():
    return ResNet(BasicBlock, [18, 18, 18])


def resnet1202():
    return ResNet(BasicBlock, [200, 200, 200])


def test(net):
    import numpy as np
    total_params = 0

    for x in filter(lambda p: p.requires_grad, net.parameters()):
        total_params += np.prod(x.data.numpy().shape)
    print("Total number of params", total_params)
    print("Total layers", len(list(filter(lambda p: p.requires_grad and len(p.data.size())>1, net.parameters()))))


if __name__ == "__main__":
    for net_name in __all__:
        if net_name.startswith('resnet'):
            print(net_name)
            test(globals()[net_name]())
            print()

해당 코드를 실행하면 아래와 같은 결과가 나오는데 이 결과는 논문에서 제시한 파라미터와 매우 비슷하게 작성되었음을 알 수 있다.