介绍

本文通过解读keras ResNet50 源码，学习ResNet50的实现

为什么学习ResNet

ResNet在卷积神经网络中具有重要意义，大大加深的网络深度、提高准确率，并启发后来更优秀的神经网络
关于ResNet详见：https://www.malaoshi.top/show_1EF5Ka4fKW9A.html

为什么要学习keras ResNet50 源码

ResNet50在各个技术论坛里，在github中有n种实现方式，那为什么要学习 keras ResNet50 源码？

1. keras是优秀的深度学习框架，有一群优秀的谷歌程序员开发，并且简单易用，已经内置到TensorFlow2中。

2. 功能易实现，框架难开发！通过解读 keras ResNet50 ，学习优秀程序员的思想，学习优秀框架是如何实现的

可以提高对keras的理解，提高对深度学习的理解，提高工程能力

keras ResNet50

以 ResNet50 为例进行分析

网络结构

源码网址

tensorflow2 官方源码：
点击

简化源码：
https://www.malaoshi.top/show_1EF5VZ5GbCLo.html

源码分析 conv1

从源码分析得出 conv1 输出的结果与 ResNet50 的官方网络结构不相同，官方输出的是112x112，在keras 中输出的是114x114

参见：https://www.malaoshi.top/show_1EF5VZ5GbCLo.html ，如下图：

源码分析 max pool

论文网络结构中的 max pool 在conv2_x中，在keras源码单独处理了

源码分析 conv2_1

论文网络结构中的 conv2_x 分 3 个 block，这里介绍第1个：

1. conv2_1 输入的维度不大，所以第1层卷积结果维度不变
2. 第2层卷积结果维度不变
3. 第3层卷积结果升维到(56,56,256)，最后一个维度是输入的4倍
4. 短路连接（shortcut connection）要升维到(56,56,256)，才能做加法运算

源码分析 conv2_2 及其他

conv2_1输出维度 是 conv2_2输入维度，该维度与conv2_2的输出维度相同，所以 短路连接（shortcut connection）不需要升维

源码分析 conv3_1

论文网络结构中的 conv3_x 分 4 个 block，这里介绍第1个

1. conv3_1 输入的维度大，所以第1层卷积结果要降维(28,28,128)，注意： 这里与conv2_1不同
2. 第2层卷积结果维度不变；
3. 第3层卷积结果升维到(28,28,512)，最后一个维度 512 是 第1层卷积结果(28,28,128)第3个维度 128 的4倍
4. 短路连接（shortcut connection）要将维度调整到(28,28,512)，才能做加法运算

源码分析 conv3_2 及其他

conv3_1输出维度 是 conv3_2输入维度，即(28,28,512)，该维度与conv3_2的输出维度相同，所以：

1. 第1层卷积，要将第3个维度512降维到128
2. 第2层卷积结果维度不变；
3. 第3层卷积，将第3个维度128升维到512，改维度 512 是 第1层卷积结果· 128 的4倍
4. 短路连接（shortcut connection）不需要升维

源码分析 conv4_x 及其他

与 conv3_x相同