keras-resnet

使用 Keras 1.0 函数式 API 实现的残差网络，可在 Theano 和 TensorFlow 后端以及 'th'/'tf' 图像维度顺序下运行。

原始论文

• 用于图像识别的深度残差学习（2015 年 ImageNet 竞赛冠军）
• 深度残差网络中的恒等映射

残差块

残差块基于 深度残差网络中的恒等映射 中提出的改进方案，如图 (b) 所示。

同时支持瓶颈型和基础型残差块。要切换它们，只需在 此处 提供相应的块函数即可。

代码解析

该架构基于 50 层模型（摘自论文）。

这里有两个关键点需要注意：

1. conv2_1 的步幅为 (1, 1)，而其余卷积层在每个残差块的开头步幅均为 (2, 2)。这一事实体现在以下 行 中。
2. 在每个残差块的第一个跳跃连接结束处，合并层的通道数、宽度和高度会出现不匹配的情况。这通过 _shortcut 使用带有适当步幅的 1x1 卷积来解决。对于其他情况，则直接将输入作为恒等映射与残差块合并。

ResNetBuilder 工厂类

• 使用 ResNetBuilder 的 build 方法，可根据您自己的输入形状构建标准的 ResNet 架构。它会自动为您计算填充和最终池化层的滤波器数量。
• 使用通用的 build 方法，可以自定义搭建您自己的架构。

CIFAR-10 示例

包含 CIFAR-10 训练示例。使用 ResNet18 模型可达到约 86% 的准确率。

需要注意的是，目前实现的 ResNet18 对于 CIFAR-10 来说并不太合适，因为最后两个残差阶段由于下采样（步幅）的原因，实际上都变成了 1x1 卷积。对于更深的版本，这个问题会更加严重。相比之下，一种更小且经过修改的类似 ResNet 的架构可以达到约 92% 的准确率（参见 gist）。

Keras-ResNet 快速上手指南

环境准备

在开始之前，请确保您的开发环境满足以下要求：

• 操作系统：Linux, macOS 或 Windows
• Python 版本：推荐 Python 3.6+
• 核心依赖：
  • Keras (基于 1.0+ Functional API)
  • 后端引擎：TensorFlow 或 Theano
  • 图像处理库：Pillow, SciPy, h5py
• 硬件建议：如需训练模型，建议使用支持 CUDA 的 NVIDIA GPU。

国内加速建议： 安装依赖时，推荐使用清华或阿里镜像源以提升下载速度。

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple keras tensorflow

安装步骤

您可以通过 pip 直接安装该库（如果已发布到 PyPI），或者从 GitHub 源码安装以获取最新版本。

方式一：通过 pip 安装（推荐）

pip install keras-resnet

方式二：从 GitHub 源码安装

git clone https://github.com/raghakot/keras-resnet.git
cd keras-resnet
pip install .

基本使用

keras-resnet 提供了 ResNetBuilder 工厂类，可快速构建标准的 ResNet 架构（如 ResNet-18, ResNet-50 等）。以下是一个构建 ResNet-18 模型并用于 CIFAR-10 数据集的最简示例。

1. 导入依赖与构建模型

from keras_resnet import models
from keras.layers import Input
from keras.datasets import cifar10
from keras.utils import np_utils

# 定义输入形状 (CIFAR-10 为 32x32x3)
input_shape = (32, 32, 3)
inputs = Input(shape=input_shape)

# 使用 ResNetBuilder 构建 ResNet-18 模型
# 注意：根据后端设置，可能需要调整 image_data_ordering ('channels_last' 或 'channels_first')
model = models.ResNet18(inputs, classes=10)

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

model.summary()

2. 数据预处理与训练

# 加载 CIFAR-10 数据
(x_train, y_train), (x_test, y_test) = cifar10.load_data()

# 数据归一化
x_train = x_train.astype('float32') / 255.0
x_test = x_test.astype('float32') / 255.0

# 标签 One-hot 编码
y_train = np_utils.to_categorical(y_train, 10)
y_test = np_utils.to_categorical(y_test, 10)

# 开始训练
# 注意：原文提到标准 ResNet-18 在 CIFAR-10 上表现约为 86%，
# 若需更高精度，建议参考原文提到的修改版架构。
model.fit(x_train, y_train, 
          batch_size=64, 
          epochs=50, 
          validation_data=(x_test, y_test))

自定义架构提示

如果您需要构建非标准的残差网络，可以使用通用的 build 方法自定义块（block）类型（支持 basic 和 bottleneck）及层数配置：

from keras_resnet import models

# 自定义构建示例
# blocks: 每个阶段的残差块数量列表
# block: 使用的块类型 ('basic' 或 'bottleneck')
custom_model = models.build(inputs, classes=10, blocks=[2, 2, 2, 2], block='basic')