Inception-Resnet-v1、Inception-Resnet-v2学习笔记（附Pytorch代码）_inception-resnet-v1 代码(2)

stride 2 代表步长为2 ，V 是TF中的padding=“Valid” == pytorch中的padding=0 ，没有标 V 是TF中的padding=“Same” == pytorch中的padding=1 with zero padding(用0填充)。

需要注意的是，文中Conv s=2的padding为1；s=1的padding为0。

此外，我对图中结构进行了计算，经过不对称卷积（如IR-B模块，经过1X7,7X1的卷积按照原文特征图的大小会发生变化，但输出的结果表明这里的特征图大小并没有发生变化），它的H和W仍然不变，这里是因为它添加了0，保证特征图的大小不发生变化。

Reduction-A结构

② Inception-ResNet-V2网络结构（整体结构v1和v2相同，主要区别在于通道数）：

这三个网络中的参数略有不同：

Inception-ResNet-v2网络的35×35→17×17和17×17→8×8图缩减模块A、B：

Inception-ResNet-v2网络的Reduction-A、B

Inception-ResNet v1 的计算成本和 Inception v3 的接近；Inception-ResNetv2 的计算成本和 Inception v4 的接近。它们有不同的 stem，两个网络都有模块 A、B、C 和缩减块结构。唯一的不同在于超参数设置。

③ 代码实现：

（1）Inception-Resnet-v1：

# 先定义3X3的卷积，用于代码复用
class conv3x3(nn.Module):
    def __init__(self, in_planes, out_channels, stride=1, padding=0):
        super(conv3x3, self).__init__()
        self.conv3x3 = nn.Sequential(
             nn.Conv2d(in_planes, out_channels, kernel_size=3, stride=stride, padding=padding),#卷积核为3x3
             nn.BatchNorm2d(out_channels),#BN层，防止过拟合以及梯度爆炸
             nn.ReLU()#激活函数
        )
        
    def forward(self, input):
        return self.conv3x3(input)
        
class conv1x1(nn.Module):
    def __init__(self, in_planes, out_channels, stride=1, padding=0):
        super(conv1x1, self).__init__()
        self.conv1x1 = nn.Sequential(
             nn.Conv2d(in_planes, out_channels, kernel_size=1, stride=stride, padding=padding),#卷积核为1x1
             nn.BatchNorm2d(out_channels),
             nn.ReLU()
        )

    def forward(self, input):
        return self.conv1x1(input)

St