1. 簡述

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

2. Resnet50網(wǎng)絡結(jié)構(gòu)

• 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(wǎng)絡構(gòu)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(wǎng)絡層數(shù)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(huán)境來訓練, 因此下面主要以GPU環(huán)境為例講解resnet50網(wǎng)絡訓練
• 2）具體步驟如下所示：
  • 下載Cifar10數(shù)據(jù)集

wget http://www.cs.toronto.edu/~kriz/cifar-10-binary.tar.gz tar -zxvf cifar-10-binary.tar.gz# 刪除數(shù)據(jù)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(shè)備類型及數(shù)據(jù)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(shù)據(jù)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(nèi)開源框架“即可，其已經(jīng)包含mindspore安裝包 3. resnet50網(wǎng)絡訓練所需數(shù)據(jù)，下載到本地后，可上傳到矩池云網(wǎng)盤，上傳后數(shù)據(jù)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(zhí)行訓練命令即可，訓練結(jié)果可通過scp命令拷貝到本地 5. 把握計費用規(guī)則（一般主機關(guān)機并刪除釋放資源則不再計費）

總結(jié)

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(nèi)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(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。