この記事について
この記事は以下のコードを引用して解説しています。
最近論文のプログラムコードを漁っている時、公式のコードをオーバーライドして自分のライブラリとして再度定義しているケースをよく見かける。ResNetはよく使われるモデルであるため、ResNetをコードから理解してプログラムコードを読むための知識にしようというのが本記事の目的である。
ResNetとは
2015年のImageNetCompetitionでImageNetデータセットの１位の精度を叩き出したモデルである。従来のCNNの課題であった、層を多く積み重ねた時の勾配消失問題を残差ブロックの導入で解決をした。斬差ブロックの導入はモデルが多くの層を積むことを可能にし、特徴抽出の強化からモデル精度向上を達成した。
ResNetシリーズについて
論文で様々なResNetの定義方法が記載されている。
図は以下のモデルを定義している
- ResNet18
- ResNet34
- ResNet50
- ResNet101
- ResNet152
その他にも次のResNet系のモデルが存在する。（※解説はしません）
- ResNeXt50 32x4d
- ResNeXt101 32x8d
- WideResNet50 2
- WideResNet101 2
- ResNeXtとWideResNetの論文リンク
- https://arxiv.org/abs/1611.05431 (ResNeXt)
- https://arxiv.org/abs/1605.07146 (WideResNet)
残差ブロックのとは
残差ブロックは二種類存在ある。
- Plain(BasicBlock)
- Bottleneck
PlainブロックはResNet18とResNet34で使用されていて、BottleneckはResNet50とResNet101とResNet152で使用される。
Pytorchの公式コードの解説
## 残差ブロックの定義
畳み込み層の定義
残差ブロックで用いられている畳み込み層は畳み込みフィルターが(3x3),(1x1)の二種類である。
公式のpytrochリポジトリーでは以下のように定義されている。
convolution_layer.py
import torch.nn as nn
def conv3x3(in_planes: int, out_planes: int, stride: int = 1, groups: int = 1, dilation: int = 1) -> nn.Conv2d:
"""3x3 convolution with padding"""
return nn.Conv2d(in_planes, out_planes, kernel_size=3, stride=stride,
padding=dilation, groups=groups, bias=False, dilation=dilation)
def conv1x1(in_planes: int, out_planes: int, stride: int = 1) -> nn.Conv2d:
"""1x1 convolution"""
return nn.Conv2d(in_planes, out_planes, kernel_size=1, stride=stride, bias=False)
3x3にはoptionのpadding,dilation,groupsが設定はデフォルトでpadding = 1,groups = 1,dilation = 1
それぞれの意味は二次元ベクトルの入力に対し周り１マスの0パディングの実施、全ての入力が全ての出力へ畳み込まれる、フィルターへの入力が下図のように感覚が１マスずつ空けられるである。
 |
 |
| padding = 1 | dilation = 1 |
Plain(BasicBlock)のpytorchによる定義
Class_BasicBlock.py
class BasicBlock(nn.Module):
expansion: int = 1
def __init__(self,
inplanes: int,
planes: int,
stride: int = 1,
downsample: Optional[nn.Module] = None,
groups: int = 1,
base_width: int = 64,
dilation: int = 1,
norm_layer: Optional[Callable[..., nn.Module]] = None
) -> None:
super(BasicBlock, self).__init__()
if norm_layer is None:
norm_layer = nn.BatchNorm2d
if groups != 1 or base_width != 64:
raise ValueError('BasicBlock only supports groups=1 and base_width=64')
if dilation > 1:
raise NotImplementedError("Dilation > 1 not supported in BasicBlock")
# Both self.conv1 and self.downsample layers downsample the input when stride != 1
self.conv1 = conv3x3(inplanes, planes, stride)
self.bn1 = norm_layer(planes)
self.relu = nn.ReLU(inplace=True)
self.conv2 = conv3x3(planes, planes)
self.bn2 = norm_layer(planes)
self.downsample = downsample
self.stride = stride
def forward(self, x: Tensor) -> Tensor:
identity = x
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
if self.downsample is not None:
identity = self.downsample(x)
out += identity
out = self.relu(out)
return out
Bottleneckのpytorchによる定義
Class_Bottleneck.py
class Bottleneck(nn.Module):
# Bottleneck in torchvision places the stride for downsampling at 3x3 convolution(self.conv2)
# while original implementation places the stride at the first 1x1 convolution(self.conv1)
# according to "Deep residual learning for image recognition"https://arxiv.org/abs/1512.03385.
# This variant is also known as ResNet V1.5 and improves accuracy according to
# https://ngc.nvidia.com/catalog/model-scripts/nvidia:resnet_50_v1_5_for_pytorch.
expansion: int = 4
def __init__(
self,
inplanes: int,
planes: int,
stride: int = 1,
downsample: Optional[nn.Module] = None,
groups: int = 1,
base_width: int = 64,
dilation: int = 1,
norm_layer: Optional[Callable[..., nn.Module]] = None
) -> None:
super(Bottleneck, self).__init__()
if norm_layer is None:
norm_layer = nn.BatchNorm2d
width = int(planes * (base_width / 64.)) * groups
# Both self.conv2 and self.downsample layers downsample the input when stride != 1
self.conv1 = conv1x1(inplanes, width)
self.bn1 = norm_layer(width)
self.conv2 = conv3x3(width, width, stride, groups, dilation)
self.bn2 = norm_layer(width)
self.conv3 = conv1x1(width, planes * self.expansion)
self.bn3 = norm_layer(planes * self.expansion)
self.relu = nn.ReLU(inplace=True)
self.downsample = downsample
self.stride = stride
def forward(self, x: Tensor) -> Tensor:
identity = x
out = self.conv1(x)
out = self.bn1(out)
out = self.relu(out)
out = self.conv2(out)
out = self.bn2(out)
out = self.relu(out)
out = self.conv3(out)
out = self.bn3(out)
if self.downsample is not None:
identity = self.downsample(x)
out += identity
out = self.relu(out)
return out
ResNetシリーズごとのモデルの実装
再度説明するが、この図からわかるようにResNet18,34では残差ブロックをBasicBlockを採用しており、ResNet50,101,152ではBottleneckを採用している。convi_xのiが増えるごとにチャネルが２倍になっている。
残差ブロックを積み重ねるクラスResNetの定義
残差ブロックの定義ができたところで、モデルを指定すると自動的に残差ブロックを積み重ねをしてくれるクラスResNetの解説をしましょう。
ResNetXの共通部分
入力付近と出力付近の層は同じであるため、これらのResNetの共通部分はそれぞれのモデル内で定義させる必要はありません。クラスResNetで共通の構造として定義します。
Class_ResNet.py
class ResNet(nn.Module):
def __init__(
self,
block: Type[Union[BasicBlock, Bottleneck]],
layers: List[int],
num_classes: int = 1000,
zero_init_residual: bool = False,
groups: int = 1,
width_per_group: int = 64,
replace_stride_with_dilation: Optional[List[bool]] = None,
norm_layer: Optional[Callable[..., nn.Module]] = None
) -> None:
super(ResNet, self).__init__()
if norm_layer is None:
norm_layer = nn.BatchNorm2d
self._norm_layer = norm_layer
self.inplanes = 64
self.dilation = 1
if replace_stride_with_dilation is None:
# each element in the tuple indicates if we should replace
# the 2x2 stride with a dilated convolution instead
replace_stride_with_dilation = [False, False, False]
if len(replace_stride_with_dilation) != 3:
raise ValueError("replace_stride_with_dilation should be None "
"or a 3-element tuple, got {}".format(replace_stride_with_dilation))
self.groups = groups
self.base_width = width_per_group
self.conv1 = nn.Conv2d(3, self.inplanes, kernel_size=7, stride=2, padding=3,
bias=False)
self.bn1 = norm_layer(self.inplanes)
self.relu = nn.ReLU(inplace=True)
self.maxpool = nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
self.layer1 = self._make_layer(block, 64, layers[0])
self.layer2 = self._make_layer(block, 128, layers[1], stride=2,
dilate=replace_stride_with_dilation[0])
self.layer3 = self._make_layer(block, 256, layers[2], stride=2,
dilate=replace_stride_with_dilation[1])
self.layer4 = self._make_layer(block, 512, layers[3], stride=2,
dilate=replace_stride_with_dilation[2])
self.avgpool = nn.AdaptiveAvgPool2d((1, 1))
self.fc = nn.Linear(512 * block.expansion, num_classes)
for m in self.modules():
if isinstance(m, nn.Conv2d):
nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
elif isinstance(m, (nn.BatchNorm2d, nn.GroupNorm)):
nn.init.constant_(m.weight, 1)
nn.init.constant_(m.bias, 0)
# Zero-initialize the last BN in each residual branch,
# so that the residual branch starts with zeros, and each residual block behaves like an identity.
# This improves the model by 0.2~0.3% according to https://arxiv.org/abs/1706.02677
if zero_init_residual:
for m in self.modules():
if isinstance(m, Bottleneck):
nn.init.constant_(m.bn3.weight, 0) # type: ignore[arg-type]
elif isinstance(m, BasicBlock):
nn.init.constant_(m.bn2.weight, 0) # type: ignore[arg-type]
def _make_layer(self, block: Type[Union[BasicBlock, Bottleneck]], planes: int, blocks: int,
stride: int = 1, dilate: bool = False) -> nn.Sequential:
norm_layer = self._norm_layer
downsample = None
previous_dilation = self.dilation
if dilate:
self.dilation *= stride
stride = 1
if stride != 1 or self.inplanes != planes * block.expansion:
downsample = nn.Sequential(
conv1x1(self.inplanes, planes * block.expansion, stride),
norm_layer(planes * block.expansion),
)
layers = []
layers.append(block(self.inplanes, planes, stride, downsample, self.groups,
self.base_width, previous_dilation, norm_layer))
self.inplanes = planes * block.expansion
for _ in range(1, blocks):
layers.append(block(self.inplanes, planes, groups=self.groups,
base_width=self.base_width, dilation=self.dilation,
norm_layer=norm_layer))
return nn.Sequential(*layers)
def _forward_impl(self, x: Tensor) -> Tensor:
# See note [TorchScript super()]
x = self.conv1(x)
x = self.bn1(x)
x = self.relu(x)
x = self.maxpool(x)
x = self.layer1(x)
x = self.layer2(x)
x = self.layer3(x)
x = self.layer4(x)
x = self.avgpool(x)
x = torch.flatten(x, 1)
x = self.fc(x)
return x
def forward(self, x: Tensor) -> Tensor:
return self._forward_impl(x)
このクラスの重要なインスタンス引数はblockとlayearsです。blockは積み重ねる残差ブロックがBasicBlockかBottleneckかどうかを決める引数で、layearsは各convi_xで残差ブロックを積む個数をリストで設定する引数です。
例えばResNet18の場合、下図のように[2,2,2,2]であるため、layearsに[2,2,2,2]が入ります。
function__resnet.py
def _resnet(
arch: str,
block: Type[Union[BasicBlock, Bottleneck]],
layers: List[int],
pretrained: bool,
progress: bool,
**kwargs: Any
) -> ResNet:
model = ResNet(block, layers, **kwargs)
if pretrained:
state_dict = load_state_dict_from_url(model_urls[arch],
progress=progress)
model.load_state_dict(state_dict)
return model
ResNet1８のpytorchによる定義
上図の通りに畳み込み層とBasicBlockを重ねていく。
ResNet18.py
def resnet18(pretrained: bool = False, progress: bool = True, **kwargs: Any) -> ResNet:
r"""ResNet-18 model from
`"Deep Residual Learning for Image Recognition" <https://arxiv.org/pdf/1512.03385.pdf>`_.
Args:
pretrained (bool): If True, returns a model pre-trained on ImageNet
progress (bool): If True, displays a progress bar of the download to stderr
"""
return _resnet('resnet18', BasicBlock, [2, 2, 2, 2], pretrained, progress,
**kwargs)
先ほどの説明の通り、ResNet18はBasicBlockを用いるので関数_resnetの第二引数blockはBasickBlockとなる。
関数_resnetの第三引数は各convi_xで残差ブロックを積む個数になる。ResNet18は下図の通り[2,2,2,2]であるため、[2,2,2,2]を引き渡している。
引用