#34. Архитектуры ResNet-18 и ResNet-50 | Нейросети на PyTorch

• Обзор архитектуры ResNet и её моделей.  

• Пример использования модели ResNet-18.  

• Описание слоев и их функций.  

• Описание блоков LeNet-1, LeNet-2, LeNet-3 и LeNet-4.  

• Различия между моделями ResNet-18, ResNet-34 и ResNet-50.  

• Применение Basic и BattleNet блоков.  

• Описание блоков LeNet-1 и LeNet-2.  

• Процесс преобразования входного тензора.  

• Использование skip connection для согласования размеров.  

• Описание блоков LeNet-3 и LeNet-4.  

• Увеличение числа каналов и уменьшение размеров карт признаков.  

• Использование skip connection для согласования размеров.  

• Процесс усреднения карт признаков.  

• Формирование выходного тензора.  

• Применение линейного слоя для классификации по тысяче классов.  

• Описание блоков LeNet-1, LeNet-2 и LeNet-3.  

• Использование BattleNet блоков.  

• Процесс согласования размеров и формирование выходного тензора.  

• Нормализация по бачам и использование ReLU.  

• Второй сверточный слой уменьшает линейные размеры вдвое.  

• Следующий сверточный слой увеличивает число каналов до 128 и уменьшает линейные размеры вдвое.  

• Выходной тензор согласован по размерам с входным.  

• Три блока имеют единую архитектуру.  

• Первый блок увеличивает число каналов вдвое и уменьшает линейные размеры.  

• Остальные блоки работают с тензором нужной размерности без дополнительных слоев.  

• Первый блок меняет размеры тензора, остальные блоки оставляют все без изменений.  

• На выходе получаем тензор размерности 512x4 и карты признаков 512x8.  

• Карты признаков усредняются, формируется тензор 512x4x1x1.  

• Вектор подается на линейный вход, формируя 1000 значений.  

• На следующем занятии будет показано, как использовать предобученные модели для классификации изображений.