动手学深度学习7.6 残差网络（ResNet）-笔记练习（PyTorch）

本节课程地址：29 残差网络 ResNet【动手学深度学习v2】_哔哩哔哩_bilibili 29.2 ResNet为什么能训练出1000层的模型【动手学深度学习v2】_哔哩哔哩_bilibili

本节教材地址：7.6. 残差网络（ResNet） — 动手学深度学习 2.0.0 documentation (d2l.ai)

本节开源代码：...>d2l-zh>pytorch>chapter_multilayer-perceptrons>resnet.ipynb

残差网络（ResNet）

随着我们设计越来越深的网络，深刻理解“新添加的层如何提升神经网络的性能”变得至关重要。更重要的是设计网络的能力，在这种网络中，添加层会使网络更具表现力，为了取得质的突破，我们需要一些数学基础知识。

函数类

首先，假设有一类特定的神经网络架构 $\mathcal{F}$ ，它包括学习速率和其他超参数设置。对于所有 $f \in \mathcal{F}$ ，存在一些参数集（例如权重和偏置），这些参数可以通过在合适的数据集上进行训练而获得。现在假设 $f^*$ 是我们真正想要找到的函数，如果是 $f^* \in \mathcal{F}$ ，那我们可以轻而易举的训练得到它，但通常我们不会那么幸运。相反，我们将尝试找到一个函数 $f^*_\mathcal{F}$ ，这是我们在 $\mathcal{F}$ 中的最佳选择。例如，给定一个具有 X 特性和 y 标签的数据集，我们可以尝试通过解决以下优化问题来找到它：

$f^*_\mathcal{F} := \mathop{\mathrm{argmin}}_f L(\mathbf{X}, \mathbf{y}, f) \text{ subject to } f \in \mathcal{F}.$

那么，怎样得到更近似真正 $f^*$ 的函数呢？唯一合理的可能性是，我们需要设计一个更强大的架构 $\mathcal{F}'$ 。换句话说，我们预计 $f^*_{\mathcal{F}'}$ 比 $f^*_{\mathcal{F}}$ “更近似”。然而，如果 $\mathcal{F} \not\subseteq \mathcal{F}'$ ，则无法保证新的体系“更近似”。事实上， $f^*_{\mathcal{F}'}$ 可能更糟：如图7.6.1 所示，对于非嵌套函数（non-nested function）类，较复杂的函数类并不总是向“真”函数 $f^*$ 靠拢（复杂度由 $\mathcal{F}_1$ 向 $\mathcal{F}_6$ 递增）。在图7.6.1 的左边，虽然 $\mathcal{F}_3$ 比 $\mathcal{F}_1$ 更接近 $f^*$ ，但 $\mathcal{F}_6$ 却离的更远了。相反对于图7.6.1 右侧的嵌套函数（nested function）类 $\mathcal{F}_1 \subseteq \ldots \subseteq \mathcal{F}_6$ ，我们可以避免上述问题。

因此，只有当较复杂的函数类包含较小的函数类时，我们才能确保提高它们的性能。对于深度神经网络，如果我们能将新添加的层训练成恒等映射（identity function） f(x)=x ，新模型和原模型将同样有效。同时，由于新模型可能得出更优的解来拟合训练数据集，因此添加层似乎更容易降低训练误差。

针对这一问题，何恺明等人提出了残差网络（ResNet）（1512.03385 (arxiv.org)）。它在2015年的ImageNet图像识别挑战赛夺魁，并深刻影响了后来的深度神经网络的设计。残差网络的核心思想是：每个附加层都应该更容易地包含原始函数作为其元素之一。于是，残差块（residual blocks）便诞生了，这个设计对如何建立深层神经网络产生了深远的影响。凭借它，ResNet赢得了2015年ImageNet大规模视觉识别挑战赛。

(残差块)

让我们聚焦于神经网络局部：如图 7.6.2 所示，假设我们的原始输入为 $x$ ，而希望学出的理想映射为 $f(\mathbf{x})$ （作为图 7.6.2上方激活函数的输入）。图 7.6.2 左图虚线框中的部分需要直接拟合出该映射 $f(\mathbf{x})$ ，而右图虚线框中的部分则需要拟合出残差映射 $f(\mathbf{x}) - \mathbf{x}$ 。残差映射在现实中往往更容易优化。以本节开头提到的恒等映射作为我们希望学出的理想映射 $f(\mathbf{x})$ ，我们只需将图 7.6.2 中右图虚线框内上方的加权运算（如仿射）的权重和偏置参数设成0，那么 $f(\mathbf{x})$ 即为恒等映射。实际中，当理想映射 $f(\mathbf{x})$ 极接近于恒等映射时，残差映射也易于捕捉恒等映射的细微波动。图 7.6.2 右图是ResNet的基础架构--残差块（residual block）。在残差块中，输入可通过跨层数据线路更快地向前传播。

ResNet沿用了VGG完整的 3×3 卷积层设计。残差块里首先有2个有相同输出通道数的 3×3 卷积层。每个卷积层后接一个批量规范化层和ReLU激活函数。然后我们通过跨层数据通路，跳过这2个卷积运算，将输入直接加在最后的ReLU激活函数前。这样的设计要求2个卷积层的输出与输入形状一样，从而使它们可以相加。如果想改变通道数，就需要引入一个额外的 1×1 卷积层来将输入变换成需要的形状后再做相加运算。残差块的实现如下：

import torch
from torch import nn
from torch.nn import functional as F
from d2l import torch as d2l


class Residual(nn.Module):  #@save
    def __init__(self, input_channels, num_channels,
                 use_1x1conv=False, strides=1):
        super().__init__()
        # 可以设置stride=2
        self.conv1 = nn.Conv2d(input_channels, num_channels,
                               kernel_size=3, padding=1, stride=strides)
        self.conv2 = nn.Conv2d(num_channels, num_channels,
                               kernel_size=3, padding=1)
        if use_1x1conv:
            # 可以设置stride=2
            self.conv3 = nn.Conv2d(input_channels, num_channels,
                                   kernel_size=1, stride=strides)
        else:
            self.conv3 = None
        self.bn1 = nn.BatchNorm2d(num_channels)
        self.bn2 = nn.BatchNorm2d(num_channels)

    def forward(self, X):
        Y = F.relu(self.bn1(self.conv1(X)))
        Y = self.bn2(self.conv2(Y))
        if self.conv3:
            X = self.conv3(X)
        Y += X
        return F.relu(Y)

如图7.6.3 所示，此代码生成两种类型的网络：一种是当use_1x1conv=False时，应用ReLU非线性函数之前，将输入添加到输出。另一种是当use_1x1conv=True时，添加通过 1×1 卷积调整通道和分辨率。

下面我们来查看[输入和输出形状一致]的情况。

blk = Residual(3,3)
X = torch.rand(4, 3, 6, 6)
Y = blk(X)
Y.shape

输出结果：
torch.Size([4, 3, 6, 6])

我们也可以在[增加输出通道数的同时，减半输出的高和宽]。

blk = Residual(3,6, use_1x1conv=True, strides=2)
blk(X).shape

输出结果：
torch.Size([4, 6, 3, 3])

[ResNet模型]

ResNet的前两层跟之前介绍的GoogLeNet中的一样：在输出通道数为64、步幅为2的 7×7 卷积层后，接步幅为2的 3×3 的最大汇聚层。不同之处在于ResNet每个卷积层后增加了批量规范化层。

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.BatchNorm2d(64), nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

GoogLeNet在后面接了4个由Inception块组成的模块。 ResNet则使用4个由残差块组成的模块，每个模块使用若干个同样输出通道数的残差块。第一个模块的通道数同输入通道数一致。由于之前已经使用了步幅为2的最大汇聚层，所以无须减小高和宽。之后的每个模块在第一个残差块里将上一个模块的通道数翻倍，并将高和宽减半。

下面我们来实现这个模块。注意，我们对第一个模块做了特别处理。

def resnet_block(input_channels, num_channels, num_residuals,
                 first_block=False):
    blk = []
    for i in range(num_residuals):
        if i == 0 and not first_block:
            blk.append(Residual(input_channels, num_channels,
                                use_1x1conv=True, strides=2))
        else:
            blk.append(Residual(num_channels, num_channels))
    return blk

接着在ResNet加入所有残差块，这里每个模块使用2个残差块。

b2 = nn.Sequential(*resnet_block(64, 64, 2, first_block=True))
b3 = nn.Sequential(*resnet_block(64, 128, 2))
b4 = nn.Sequential(*resnet_block(128, 256, 2))
b5 = nn.Sequential(*resnet_block(256, 512, 2))

最后，与GoogLeNet一样，在ResNet中加入全局平均汇聚层，以及全连接层输出。

net = nn.Sequential(b1, b2, b3, b4, b5,
                    nn.AdaptiveAvgPool2d((1,1)),
                    nn.Flatten(), nn.Linear(512, 10))

每个模块有4个卷积层（不包括恒等映射的 1×1 卷积层）。加上第一个 7×7 卷积层和最后一个全连接层，共有18层。因此，这种模型通常被称为ResNet-18。通过配置不同的通道数和模块里的残差块数可以得到不同的ResNet模型，例如更深的含152层的ResNet-152。虽然ResNet的主体架构跟GoogLeNet类似，但ResNet架构更简单，修改也更方便。这些因素都导致了ResNet迅速被广泛使用。图7.6.4 描述了完整的ResNet-18。

在训练ResNet之前，让我们[观察一下ResNet中不同模块的输入形状是如何变化的]。在之前所有架构中，分辨率降低，通道数量增加，直到全局平均汇聚层聚集所有特征。

X = torch.rand(size=(1, 1, 224, 224))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)

输出结果：
Sequential output shape: torch.Size([1, 64, 56, 56])
Sequential output shape: torch.Size([1, 64, 56, 56])
Sequential output shape: torch.Size([1, 128, 28, 28])
Sequential output shape: torch.Size([1, 256, 14, 14])
Sequential output shape: torch.Size([1, 512, 7, 7])
AdaptiveAvgPool2d output shape: torch.Size([1, 512, 1, 1])
Flatten output shape: torch.Size([1, 512])
Linear output shape: torch.Size([1, 10])

[训练模型]

同之前一样，我们在Fashion-MNIST数据集上训练ResNet。

lr, num_epochs, batch_size = 0.05, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

输出结果：
loss 0.014, train acc 0.997, test acc 0.913
2825.2 examples/sec on cuda:0

补充：

ResNet能够有效训练深层（1000层）的关键是：将乘法运算改为加法运算（残差连接），从而避免底层的梯度消失，使得最靠近数据的层的权重也能够获得较大的梯度（大数+小数=大数，大数×小数=小数），深层网络得以有效更新。

小结

学习嵌套函数（nested function）是训练神经网络的理想情况。在深层神经网络中，学习另一层作为恒等映射（identity function）较容易（尽管这是一个极端情况）。
残差映射可以更容易地学习同一函数，例如将权重层中的参数近似为零。
利用残差块（residual blocks）可以训练出一个有效的深层神经网络：输入可以通过层间的残余连接更快地向前传播。
残差网络（ResNet）对随后的深层神经网络设计产生了深远影响。

练习

图7.4.1 中的Inception块与残差块之间的主要区别是什么？在删除了Inception块中的一些路径之后，它们是如何相互关联的？
解：
1）Inception块和残差块的主要区别在于：
Inception块是在每个层级上同时使用多个尺寸的滤波器来捕获图像的不同特征，以并行的方式进行；
残差块是通过添加跨层的直接连接（即残差连接）来允许梯度直接流向更深层的网络，以串联的方式进行。
2）删除Inception块中的某些路径可以减少模型的复杂度，再用残差连接取代原Inception块中的filter concatenation，可以构建二者融合的Inception-ResNet网络。
参考ResNet论文 :cite:He.Zhang.Ren.ea.2016中的表1，以实现不同的变体。
解：
论文链接：https://arxiv.org/pdf/1512.03385
表1：

不同ResNet变体的实现如下：

# ResNet-34
# b1不变
b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.BatchNorm2d(64), nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
# b2-b5更改残差块num
b2 = nn.Sequential(*resnet_block(64, 64, 3, first_block=True))
b3 = nn.Sequential(*resnet_block(64, 128, 4))
b4 = nn.Sequential(*resnet_block(128, 256, 6))
b5 = nn.Sequential(*resnet_block(256, 512, 3))

net34 = nn.Sequential(b1, b2, b3, b4, b5, 
                      nn.AdaptiveAvgPool2d((1,1)), 
                      nn.Flatten(), nn.Linear(512, 10))

d2l.train_ch6(net34, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

输出结果：
loss 0.041, train acc 0.985, test acc 0.882
1736.6 examples/sec on cuda:0

# ResNet-50
# 修改残差块
class Residual_Bottleneck(nn.Module):  
    def __init__(self, input_channels, num_channels,
                 use_1x1conv=False, strides=1, expansion = 4):
        super().__init__()
        # 维度扩张倍数，默认为4
        self.expansion = expansion
        self.conv1 = nn.Conv2d(input_channels, num_channels,
                               kernel_size=1)
        self.conv2 = nn.Conv2d(num_channels, num_channels,
                               kernel_size=3, padding=1, stride=strides)
        self.conv3 = nn.Conv2d(num_channels, num_channels*self.expansion,
                               kernel_size=1)
        if use_1x1conv:
            self.conv4 = nn.Conv2d(input_channels, num_channels*self.expansion,
                                   kernel_size=1, stride=strides)
        else:
            # 用1×1卷积匹配维度
            self.conv4 = nn.Conv2d(input_channels, num_channels*self.expansion,
                                   kernel_size=1)
        self.bn1 = nn.BatchNorm2d(num_channels)
        self.bn2 = nn.BatchNorm2d(num_channels)
        self.bn3 = nn.BatchNorm2d(num_channels*self.expansion)

    def forward(self, X):
        Y = F.relu(self.bn1(self.conv1(X)))
        Y = F.relu(self.bn2(self.conv2(Y)))
        Y = self.bn3(self.conv3(Y))
        X = self.conv4(X)
        Y += X
        return F.relu(Y)

def resnet_block_v2(input_channels, num_channels, num_residuals, 
                    first_block=False, expansion = 4):
    blk = []
    for i in range(num_residuals):
        if i == 0 and not first_block:
            blk.append(Residual_Bottleneck(input_channels, num_channels, 
                                           use_1x1conv=True, strides=2))
        elif i == 0 and first_block:
            blk.append(Residual_Bottleneck(input_channels, num_channels))
        else:
            blk.append(Residual_Bottleneck(num_channels*expansion, num_channels))
    return blk

# b1不变
b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.BatchNorm2d(64), nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
# b2-b5更改残差块num
b2 = nn.Sequential(*resnet_block_v2(64, 64, 3, first_block=True))
b3 = nn.Sequential(*resnet_block_v2(256, 128, 4))
b4 = nn.Sequential(*resnet_block_v2(512, 256, 6))
b5 = nn.Sequential(*resnet_block_v2(1024, 512, 3))

net50 = nn.Sequential(b1, b2, b3, b4, b5, 
                      nn.AdaptiveAvgPool2d((1,1)), 
                      nn.Flatten(), nn.Linear(2048, 10))

d2l.train_ch6(net50, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

输出结果：
loss 0.121, train acc 0.954, test acc 0.884
491.0 examples/sec on cuda:0

3. 对于更深层次的网络，ResNet引入了“bottleneck”架构来降低模型复杂性。请试着去实现它。

解：
ResNet-50开始引入“bottleneck”架构来降低模型复杂性，如上题中论文的表1所示，ResNet-34的FLOPs为3.6E+9，而ResNet-50的网络更深，但FLOPs为3.8E+9，说明“bottleneck”架构确实可以降低模型复杂度。
已在上题中实现。

4. 在ResNet的后续版本中，作者将“卷积层、批量规范化层和激活层”架构更改为“批量规范化层、激活层和卷积层”架构。请尝试做这个改进。详见 :cite:He.Zhang.Ren.ea.2016*1中的图1。

解：
论文链接：https://arxiv.org/pdf/1603.05027
图1：

以ResNet-18为基础尝试架构改进，结果测试精度略下降，代码如下：

class Residual_pro(nn.Module):
    def __init__(self, input_channels, num_channels,
                 use_1x1conv=False, strides=1):
        super().__init__()
        self.conv1 = nn.Conv2d(input_channels, num_channels,
                               kernel_size=3, padding=1, stride=strides)
        self.conv2 = nn.Conv2d(num_channels, num_channels,
                               kernel_size=3, padding=1)
        if use_1x1conv:
            self.conv3 = nn.Conv2d(input_channels, num_channels,
                                   kernel_size=1, stride=strides)
        else:
            self.conv3 = None
        self.bn1 = nn.BatchNorm2d(input_channels)
        self.bn2 = nn.BatchNorm2d(num_channels)

    def forward(self, X):
        # BN --> ReLU --> conv
        Y = self.conv1(F.relu(self.bn1(X)))
        Y = self.conv2(F.relu(self.bn2(Y)))
        if self.conv3:
            X = self.conv3(X)
        Y += X
        return Y

def resnet_block_pro(input_channels, num_channels, num_residuals, 
                     first_block=False):
    blk = []
    for i in range(num_residuals):
        if i == 0 and not first_block:
            blk.append(Residual_pro(input_channels, num_channels, 
                                    use_1x1conv=True, strides=2))
        else:
            blk.append(Residual_pro(num_channels, num_channels))
    return blk

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.BatchNorm2d(64), nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))
b2 = nn.Sequential(*resnet_block_pro(64, 64, 2, first_block=True))
b3 = nn.Sequential(*resnet_block_pro(64, 128, 2))
b4 = nn.Sequential(*resnet_block_pro(128, 256, 2))
b5 = nn.Sequential(*resnet_block_pro(256, 512, 2))

net_pro = nn.Sequential(b1, b2, b3, b4, b5, 
                        nn.BatchNorm2d(512), nn.ReLU(),
                        nn.AdaptiveAvgPool2d((1,1)), 
                        nn.Flatten(), nn.Linear(512, 10))

lr, num_epochs, batch_size = 0.05, 10, 256
train_iter, test_iter = d2l.load_data_fashion_mnist(batch_size, resize=96)
d2l.train_ch6(net_pro, train_iter, test_iter, num_epochs, lr, d2l.try_gpu())

输出结果：
loss 0.041, train acc 0.987, test acc 0.907

2813.1 examples/sec on cuda:0

5. 为什么即使函数类是嵌套的，我们仍然要限制增加函数的复杂性呢？

解：
原因如下：

计算资源限制：更复杂的函数通常需要更多的计算资源。在实际应用中，计算资源（如处理器速度、内存和存储空间）是有限的。因此，我们需要在有限的资源下寻找最优解。
过拟合风险：随着函数复杂性的增加，模型可能会捕捉到数据中的噪音，导致过拟合，泛化能力差。
优化难度：更复杂的函数可能意味着更难以优化。深度学习模型通常包含数百万甚至数十亿参数，如果函数类过于复杂，梯度下降和其他优化算法可能难以找到全局最优解或好的局部最优解。
训练时间：增加函数复杂性可能会显著增加模型的训练时间。在实际应用中，快速训练和迭代是非常重要的，特别是当数据集很大或模型很大时。