基于pear-admin-flask的病害识别平台二次开发设计源码

import torch.nn as nn import torch # Resnet的pytorch实现 # 残差结构 class BasicBlock(nn.Module): # 对应残差结构中，同一卷积层 每层卷积核的个数是否发生改变 # 在图中可以看到18层和34层的卷积核个数没有发生改变 expansion = 1 # 初始化函数，参数依次为： # 输入特征矩阵深度： in_channel # 输出特征矩阵深度(图中卷积核个数)： out_channel # 步距stride默认=1，对应的是实线的残差结构 # 下采样downsample默认设置为None，对应是我们的虚线的残差结构 # 在conv3,4,5中第一层都是虚线的残差结构，输入不符合，起到降维的作用 def __init__(self, in_channel, out_channel, stride=1, downsample=None): super(BasicBlock, self).__init__() # 第一层 # kernel_size卷积核大小，是3x3的 # stride步距=1，对应的是实线的残差结构(不改变宽高) # 偏置=False, 使用bn层的时候不使用偏置 self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel, kernel_size=3, stride=stride, padding=1, bias=False) # 使用BN时，将bias=False # 将BN层放在卷积层conv和激活层relu之间 self.bn1 = nn.BatchNorm2d(out_channel) self.relu = nn.ReLU() # 第二层 self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel, kernel_size=3, stride=1, padding=1, bias=False) self.bn2 = nn.BatchNorm2d(out_channel) # 定义下采样方法=传入的下采样参数 self.downsample = downsample def forward(self, x): # 正向传播过程，x为输入的特征矩阵 identity = x # 将x赋值给捷径分支的输出identity if self.downsample is not None: # =none没有输入下采样函数，对应实线残差结构，跳过此部分 # is not None输入了下采样函数，对应虚线残差结构，将输入特征矩阵输入下采样中，得到捷径分支identity的输出 identity = self.downsample(x) # 主分支 out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) # 主分支的输出+捷径分支的输出，再使用激活函数（相加再经过激活函数） out += identity out = self.relu(out) # 返回残差结构的最终输出 return out class Bottleneck(nn.Module): # 针对更深层次的残差结构 # 以50层conv2_x为例，卷积层1、2的卷积核个数=64，而第三层卷积核个数=64*4=256，故expansion = 4 # 在图中可以看到 expansion = 4 def __init__(self, in_channel, out_channel, stride=1, downsample=None): super(Bottleneck, self).__init__() # 对于第一层卷积层，无论是实线残差结构还是虚线，stride都=1 # 这里是out_channels卷积核个数是指第一层和第二层的卷积核个数 self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel, kernel_size=1, stride=1, bias=False) # squeeze channels self.bn1 = nn.BatchNorm2d(out_channel) # 对于第二层卷积层，实线残差结构和虚线的stride是不同的，stride采用传入的方式 self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel, kernel_size=3, stride=stride, bias=False, padding=1) self.bn2 = nn.BatchNorm2d(out_channel) # 第三层out_channels是第一第二层的四倍 self.conv3 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel * self.expansion, kernel_size=1, stride=1, bias=False) # unsqueeze channels self.bn3 = nn.BatchNorm2d(out_channel * self.expansion) self.relu = nn.ReLU(inplace=True) self.downsample = downsample # 正向传播过程 def forward(self, x): identity = x # self.downsample=none对应实线残差结构，否则为虚线残差结构 if self.downsample is not None: identity = self.downsample(x) out = self.conv1(x) # 卷积层 out = self.bn1(out) # BN层 out = self.relu(out) # 激活层 out = self.conv2(out) out = self.bn2(out) out = self.relu(out) out = self.conv3(out) out = self.bn3(out) out += identity out = self.relu(out) return out class ResNet(nn.Module): # 浅层网络结构block=BasicBlock，深层=Bottleneck # blocks_num所使用的残差结构的数目（列表），若是一个34层网络结构，blocks_num=[3,4,6,3] # num_classes训练集的分类个数 # include_top参数便于在ResNet网络基础上搭建更复杂的网络 def __init__(self, block, blocks_num, num_classes=1000, include_top=True): super(ResNet, self).__init__() self.include_top = include_top # 输入特征矩阵的深度（经过最大下采样层之后的） self.in_channel = 64 # 第一个卷积层，对应表格中7*7的卷积层，输入特征矩阵的深度RGB图像，故第一个参数=3 self.conv1 = nn.Conv2d(3, self.in_channel, kernel_size=7, stride=2, padding=3, bias=False) self.bn1 = nn.BatchNorm2d(self.in_channel) self.relu = nn.ReLU(inplace=True) # 对应3*3那个maxpooling self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1) # conv2_x对应的残差结构，是通过_make_layer函数生成的 self.layer1 = self._make_layer(block, 64, blocks_num[0]) # conv3_x self.layer2 = self._make_layer(block, 128, blocks_num[1], stride=2) # conv4_x self.layer3 = self._make_layer(block, 256, blocks_num[2], stride=2) # conv5_x self.layer4 = self._make_layer(block, 512, blocks_num[3], stride=2) if self.include_top: # 平均池化下采样层，AdaptiveAvgPool2d自适应的平均池化下采样操作，所得到特征矩阵的高和宽都是（1,1） # output size = (1, 1) self.avgpool = nn.AdaptiveAvgPool2d((1, 1)) # 全连接层（输出节点层） self.fc = nn.Linear(512 * block.expansion, num_classes) # 卷积层初始化操作 for m in self.modules(): if isinstance(m, nn.Conv2d): nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu') # block为BasicBlock或Bottleneck # channel残差结构中所对应的第一层的卷积核的个数（值为64/128/256/512） # block_num对应残差结构中每一个conv*_x卷积层的个数(该层一共包含了多少个残差结构)例：34层的conv2_x：block_num取值为3 def _make_layer(self, block, channel, block_num, stride=1): downsample = None # 下采样赋值为none # 对于18层、34层conv2_x不满足此if语句（不执行） # 而50层、101层、152层网络结构的conv2_x的第一层也是虚线残差结构，需要调整特征矩阵的深度而高度和宽度不需要改变 # 但对于conv3_x、conv4_x、conv5_x不论ResNet为多少层，特征矩阵的高度、宽度、深度都需要调整（高和宽缩减为原来的一半） if stride != 1 or self.in_channel != channel * block.expansion: # 生成下采样函数 downsample = nn.Sequential( nn.Conv2d(self.in_channel, channel * block.expansion, kernel_size=1, stride=stride, bias=False), nn.BatchNorm2d(channel * block.expansion)) layers = [] # 定义一个空列表 # 参数依次为输入特征矩阵的深度，残差结构所对应主分支上第一