在 pytorch 代码中如何在 ResNet 中进行下采样？

Question

在这个 pytorch ResNet 代码示例中，他们在第 44 行将下采样定义为变量。第 58 行将其用作函数。作为 CNN 的观点和 Python 代码的观点，这个下采样在这里是如何工作的。

代码示例：pytorch ResNet

我搜索了下采样是否是任何 pytorch 内置函数。但事实并非如此。

class BasicBlock(nn.Module):
    expansion = 1

    def __init__(self, inplanes, planes, stride=1, downsample=None, groups=1, norm_layer=None):
        super(BasicBlock, self).__init__()
        if norm_layer is None:
            norm_layer = nn.BatchNorm2d
        if groups != 1:
            raise ValueError('BasicBlock only supports groups=1')
        # 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):
        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

Answer 1

如果您查看原始 ResNet 论文 ( http://openaccess.thecvf.com/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf )，他们使用跨步卷积对图像进行下采样。使用这些跨步卷积自动对主路径进行下采样，就像在您的代码中所做的那样。残差路径使用 (a) 添加零条目的身份映射以不添加额外参数，或 (b) 具有相同步幅参数的 1x1 卷积。

第二个选项可能如下所示：

if downsample:
    self.downsample = conv1x1(inplanes, planes, strides)

Answer 2

在此 ResNet 示例中，当我们定义 BasicBlock 类时，我们将 downsample 作为构造函数参数传递。

def __init__(self, inplanes, planes, stride=1, downsample=None, groups=1, norm_layer=None):

如果我们不向类传递任何内容downsample = None，那么结果身份不会改变。

当我们downsample = "some convolution layer"作为类构造函数参数传递时，它将通过传递的卷积层对身份进行下采样以成功执行加法。该层将通过如上所述的代码对身份进行下采样

  if self.downsample is not None:
        identity = self.downsample(x)