{21點}(resnet18和resnet50区别)

ResNet本质上就干了一件事降低数据中信息的冗余度具体说来，就是对非冗余信息采用了线性激活通过skip connection获得无冗余的identity部分，然后对冗余信息采用了非线性激活通过ReLU对identity之外的其余部分进行信息提取。

与VGG相比，Resnet则更加出色，为后续的研究做下铺垫resnet又叫残差网络，是由来自MicrosoftResearch的4位学者提出的卷积神经网络，在2015年的ImageNet大规模视觉识别竞赛ImageNetLargeScaleVisualRecognitionChallenge，ILSVRC。

ResNet Residual Neural Network，残差网络由微软研究院何凯明等人提出的，通过在深度神经网络中加入残差单元Residual Unit使得训练深度比以前更加高效ResNet在2015年的ILSVRC比赛中夺得冠军，ResNet的结构可以极快的加速超。

终于可以说一下Resnet分类网络了，它差不多是当前应用最为广泛的CNN特征提取网络它的提出始于2015年，作者中间有大名鼎鼎的三位人物HeKaiming， RenShaoqing， SunJian绝对是华人学者的骄傲啊VGG网络试着探寻了一下。

ResNet18的模型结构为首先第一层是一个7×7的卷积核，输入特征矩阵为112，112，64，经过卷积核64，stride为2得到出入特征矩阵56，56，64第二层一开始是由一个3×3的池化层组成的，接着是2个残差结构，一开始的。

一般来讲，ResNet50差不多可以用，我明天试试之所以单独提50，就是因为这基本上是个工业界非常喜欢的结构，用的非常非常多然后时过境迁，就到了ResNeXt，这个工作作者说直接motivation是Inception，恩，看起来也很没有。

原始的ResNet主要应用于图像分类和识别任务，对于空间信息不敏感，而在跟踪任务中，空间信息对于目标的准确定位至关重要，所以要在跟踪任务中使用，需要对ResNet进行改进上图为SiamRPN++的网络结构图，其采用的backbone为修改的。

1在resnet模型中，我们首先是64个7x7且步幅为。

如上述图片所示，Resnet通过提出shortcut连接，解决了深度学习网络在训练过程中随着网络层数越来越多而导致的网络退化问题这种shortcut的连接有两种形式，一种是完全的等价连接shortcut，另一种作为降采样block的shortcut，使得。

1080不能跑resnet根据查询相关公开信息显示，1080显卡的算力不足以运行resnet，resnet最低配置要求为11GB显存，单精FP321134T，半精FP161134T。

在pytorch中的torchvision封装了Resnet的源码，我们通过对源码的分析进一步了解ResNet网络结构，方便对以后对ResNet结构的理解，以及日后搭建自己的网络，或者修改别人的网络首先我们需要先了解ResNet系列的网络结构从源码中我们。

resnet50与resnet44对比首先resnet50 vs resnet56或者18 vs 20的明显区别在哪，性能差的好多其次仔细看一下吧，这两个网络完全不具备可比性，如果可以你可以看一下代码里面的model文件，这个resnet56实际上指。

时间序列是在一段时间内测量得到的数据，数据的顺序决定了序列的类别根据HI Fawaz et al 的实验结果，ResNet在时间序列分类上有很好的表现1， 所以本文的目的为验证在时间序列分类上 ResNet是否表现更加出色#160。

训练样本根据查询研究实验可知，resnet进行训练用的是训练样本该研究是训练模式，部分网络结构下两者有差别，这里使用ResNet50预训练模型，对Caltech101数据集进行图像分类，只有CPU，运行较慢。

作者根据输入将层表示为学习 残差函数 实验表明，残差网络更容易优化，并且能够通过增加相当的深度来提高准确率 核心是解决了增加深度带来的副作用退化问题，这样能够通过单纯地增加网络深度，来提高网络性能网络的。

ResNet有2个基本的block，一个是Identity Block，输入和输出的dimension是一样的，所以可以串联多个另外一个基本block是Conv Block，输入和输出的dimension是不一样的，所以不能连续串联，它的作用本来就是为了改变特征向量的。

resnet最后一次激活函数使用softmax解决方法如下 1模型是否出现过拟合现象猜测，模型可能过于复杂，出现过拟合现象，导致模型过度拟合训练数据，而不适用于验证数据集于是，为了验证这个猜想，我将训练数据集与验证数据。