ResNet結構解析與CBAM微調策略

1.ResNet18核心結構

# ResNet18基礎結構(基于torchvision實現)
from torchvision.models import resnet18
model = resnet18(pretrained=True)# 核心組件：
# - 初始卷積層(conv1): 7x7卷積+BN+ReLU
# - 4個layer結構(包含BasicBlock)
# - 平均池化層(avgpool)
# - 全連接層(fc)

?2.CBAM放置策略

class VGG16_CBAM(nn.Module):def __init__(self):super().__init__()self.features = nn.Sequential(# 第一個卷積塊nn.Conv2d(3, 64, kernel_size=3, padding=1),CBAM(64),  # 在卷積層后添加CBAMnn.ReLU(inplace=True),nn.Conv2d(64, 64, kernel_size=3, padding=1),CBAM(64),  # 每個卷積塊添加nn.ReLU(inplace=True),nn.MaxPool2d(kernel_size=2, stride=2)# ... 后續層同理)

3.三階段微調策略

# 階段1：凍結特征層
for param in model.features.parameters():param.requires_grad = False# 階段2：解凍后半部分層
for layer in list(model.features.children())[-4:]:for param in layer.parameters():param.requires_grad = True# 階段3：全解凍+小學習率
optimizer = optim.SGD([{"params": model.features.parameters(), "lr": 1e-4},{"params": model.classifier.parameters(), "lr": 1e-3}
], momentum=0.9)

作業

一、ResNet18結構理解 ：

- 使用torchsummary查看詳細結構

from torchsummary import summary
summary(resnet18().to("cuda"), (3, 224, 224))

二、VGG16+CBAM微調 ：

- 訓練命令建議

python train.py --model vgg16_cbam --batch-size 64 --lr 1e-3 --freeze-epochs 5

?

?