1. 簡述

• Resnet是殘差網絡(Residual Network)的縮寫,該系列網絡廣泛用于目標分類等領域以及作為計算機視覺任務主干經典神經網絡的一部分，典型的網絡有resnet50, resnet101等。Resnet網絡的證明網絡能夠向更深（包含更多隱藏層）的方向發展。
• 論文：[Deep Residual Learning for Image Recognition](https://arxiv.org/abs/1512.03385)

2. Resnet50網絡結構

• 首先對輸入做了卷積操作，之后包含4個殘差快（ResidualBlock), 最后進行全連接操作以便于進行分類任務，網絡構成示意圖如下所示, Resnet50則包含50個conv2d操作。

3. Resnet50模型訓練（基于mindspore)

• 1）因resnet50網絡層數更多，訓練時間更長，因此考慮在GPU上進行訓練
  • 當前存在一些GPU訓練平臺，如矩池云(https://www.matpool.com/)可提供在線GPU環境來訓練, 因此下面主要以GPU環境為例講解resnet50網絡訓練
• 2）具體步驟如下所示：
  • 下載Cifar10數據集

wget http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz tar -zxvf cifar-10-binary.tar.gz# 刪除數據集中bin文件以外的文件（schema文件與readme文件）

• • 下載代碼并簡單修改訓練腳本：

# 下載docs倉庫 git clone https://gitee.com/mindspore/docs# 進入resnet50代碼目錄 cd tutorials/tutorial_code/resnet# 修改設備類型及數據集路徑 1. device類型修改為GPU： origin: context.set_context(mode=context.GRAPH_MODE, device_target="Ascend") modified:context.set_context(mode=context.GRAPH_MODE, device_target="GPU")2. 數據集路徑 origin: parser.add_argument('--checkpoint_path', type=str, default=None, help='CheckPoint file path.') modified: parser.add_argument('--checkpoint_path', type=str, default="/***/cifar-10-binary", help='CheckPoint file path.')

• 進行訓練

export DEVICE_ID=0 python cifar_resnet50.py# 訓練出的loss值如下所示： epoch: 1 step: 10, loss is 2.300441 epoch: 1 step: 11, loss is 2.2890565 epoch: 1 step: 12, loss is 2.3309968 epoch: 1 step: 13, loss is 2.3018029 ....

• 在矩池云訓練的補充說明

1. 在矩池云的“主機市場”，尋找GPU 2080Ti的機器進行租賃，如：NVIDIA GeForce RTX 2080 Ti 2. 選擇鏡像時，選擇“國內開源框架“即可，其已經包含mindspore安裝包 3. resnet50網絡訓練所需數據，下載到本地后，可上傳到矩池云網盤，上傳后數據集在/mnt目錄 4. 可以通過ssh方式，在本地登陸到購買的矩池云GPU機器，并執行訓練命令即可，訓練結果可通過scp命令拷貝到本地 5. 把握計費用規則（一般主機關機并刪除釋放資源則不再計費）

總結

以上是生活随笔為你收集整理的resnet50网络结构_Resnet50详解与实践（基于mindspore)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。