大家還記得這張圖嗎？

深度系統(tǒng)介紹了 52 個(gè)目標(biāo)檢測(cè)模型，縱觀 2013 年到 2020 年，從最早的 R-CNN、OverFeat 到后來的 SSD、YOLO v3 再到去年的 M2Det，新模型層出不窮，性能也越來越好！

上文聚焦于源碼和論文，對(duì)于各種卷積神經(jīng)網(wǎng)絡(luò)模型的實(shí)現(xiàn)，本文將介紹它們的 PyTorch 實(shí)現(xiàn)，非常有用！

這份資源已經(jīng)開源在了 GitHub 上，鏈接如下：

https://github.com/shanglianlm0525/PyTorch-Networks

先來個(gè)總結(jié)介紹，該系列的卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)包含了 9 大主題，目錄如下：

1. 典型網(wǎng)絡(luò)

2. 輕量級(jí)網(wǎng)絡(luò)

3. 目標(biāo)檢測(cè)網(wǎng)絡(luò)

4. 語義分割網(wǎng)絡(luò)

5. 實(shí)例分割網(wǎng)絡(luò)

6. 人臉檢測(cè)和識(shí)別網(wǎng)絡(luò)

7. 人體姿態(tài)識(shí)別網(wǎng)絡(luò)

8. 注意力機(jī)制網(wǎng)絡(luò)

9. 人像分割網(wǎng)絡(luò)

下面具體來看一下：

1. 典型網(wǎng)絡(luò)（Classical network）

典型的卷積神經(jīng)網(wǎng)絡(luò)包括：AlexNet、VGG、ResNet、InceptionV1、InceptionV2、InceptionV3、InceptionV4、Inception-ResNet。

以 AlexNet 網(wǎng)絡(luò)為例，AlexNet 是 2012 年 ImageNet 競(jìng)賽冠軍獲得者 Hinton 和他的學(xué)生 Alex Krizhevsky 設(shè)計(jì)的。AlexNet 中包含了幾個(gè)比較新的技術(shù)點(diǎn)，也首次在 CNN 中成功應(yīng)用了 ReLU、Dropout 和 LRN 等 Trick。同時(shí) AlexNet 也使用了 GPU 進(jìn)行運(yùn)算加速。

AlexNet 網(wǎng)絡(luò)結(jié)構(gòu)的 PyTorch 實(shí)現(xiàn)方式如下： 

import torch  
import torch.nn as nn  
def Conv3x3BNReLU(in_channels,out_channels,stride,padding=1):  
    return nn.Sequential(  
            nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=3, stridestride=stride, padding=1),  
            nn.BatchNorm2d(out_channels),  
            nn.ReLU6(inplace=True) 
        )  
def Conv1x1BNReLU(in_channels,out_channels):  
    return nn.Sequential(  
            nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=1, stride=1, padding=0),  
            nn.BatchNorm2d(out_channels),  
            nn.ReLU6(inplace=True)  
        )  
def ConvBNReLU(in_channels,out_channels,kernel_size,stride,padding=1):  
    return nn.Sequential( 
            nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_sizekernel_size=kernel_size, stridestride=stride, paddingpadding=padding), 
            nn.BatchNorm2d(out_channels),  
            nn.ReLU6(inplace=True)  
        )  
def ConvBN(in_channels,out_channels,kernel_size,stride,padding=1):  
    return nn.Sequential(  
            nn.Conv2d(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_sizekernel_size=kernel_size, stridestride=stride, paddingpadding=padding), 
            nn.BatchNorm2d(out_channels)  
        )  
class ResidualBlock(nn.Module):  
    def __init__(self, in_channels, out_channels):  
        super(ResidualBlock, self).__init__()  
        mid_channels = out_channels//2  
        self.bottleneck = nn.Sequential(  
            ConvBNReLU(in_channelsin_channels=in_channels, out_channels=mid_channels, kernel_size=1, stride=1),  
            ConvBNReLU(in_channels=mid_channels, out_channels=mid_channels, kernel_size=3, stride=1, padding=1),  
            ConvBNReLU(in_channels=mid_channels, out_channelsout_channels=out_channels, kernel_size=1, stride=1),  
        )  
        self.shortcut = ConvBNReLU(in_channelsin_channels=in_channels, out_channelsout_channels=out_channels, kernel_size=1, stride=1)  
    def forward(self, x):  
        out = self.bottleneck(x)  
        return out+self.shortcut(x) 

2.輕量級(jí)網(wǎng)絡(luò)（Lightweight）

輕量級(jí)網(wǎng)絡(luò)包括：GhostNet、MobileNets、MobileNetV2、MobileNetV3、ShuffleNet、ShuffleNet V2、SqueezeNet Xception MixNet GhostNet。

以 GhostNet 為例，同樣精度，速度和計(jì)算量均少于此前 SOTA 算法。GhostNet 的核心是 Ghost 模塊，與普通卷積神經(jīng)網(wǎng)絡(luò)相比，在不更改輸出特征圖大小的情況下，其所需的參數(shù)總數(shù)和計(jì)算復(fù)雜度均已降低，而且即插即用。

GhostNet 網(wǎng)絡(luò)結(jié)構(gòu)的 PyTorch 實(shí)現(xiàn)方式如下：

https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/Lightweight/GhostNet.py

3. 目標(biāo)檢測(cè)網(wǎng)絡(luò)（ObjectDetection）

目標(biāo)檢測(cè)網(wǎng)絡(luò)包括：SSD、YOLO、YOLOv2、YOLOv3、FCOS、FPN、RetinaNet Objects as Points、FSAF、CenterNet FoveaBox。

以 YOLO 系列為例，YOLO（You Only Look Once）是一種基于深度神經(jīng)網(wǎng)絡(luò)的對(duì)象識(shí)別和定位算法，其最大的特點(diǎn)是運(yùn)行速度很快，可以用于實(shí)時(shí)系統(tǒng)。目前 YOLOv3 應(yīng)用比較多。

YOLOV3 網(wǎng)絡(luò)結(jié)構(gòu)的 PyTorch 實(shí)現(xiàn)方式如下：

https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/ObjectDetection/YOLOv3.py

4. 語義分割網(wǎng)絡(luò)（SemanticSegmentation）

語義分割網(wǎng)絡(luò)包括：FCN、Fast-SCNN、LEDNet、LRNNet、FisheyeMODNet。

以 FCN 為例，F(xiàn)CN 誕生于 2014 的語義分割模型先驅(qū)，主要貢獻(xiàn)為在語義分割問題中推廣使用端對(duì)端卷積神經(jīng)網(wǎng)絡(luò)，使用反卷積進(jìn)行上采樣。FCN 模型非常簡(jiǎn)單，里面全部是由卷積構(gòu)成的，所以被稱為全卷積網(wǎng)絡(luò)，同時(shí)由于全卷積的特殊形式，因此可以接受任意大小的輸入。

FCN 網(wǎng)絡(luò)結(jié)構(gòu)的 PyTorch 實(shí)現(xiàn)方式如下：

https://github.com/shanglianlm0525/PyTorch-Networks/blob/master/SemanticSegmentation/FCN.py

5. 實(shí)例分割網(wǎng)絡(luò)（InstanceSegmentation）

實(shí)例分割網(wǎng)絡(luò)包括：PolarMask。

6. 人臉檢測(cè)和識(shí)別網(wǎng)絡(luò)（commit VarGFaceNet）

人臉檢測(cè)和識(shí)別網(wǎng)絡(luò)包括：FaceBoxes、LFFD、VarGFaceNet。

7. 人體姿態(tài)識(shí)別網(wǎng)絡(luò)（HumanPoseEstimation）

人體姿態(tài)識(shí)別網(wǎng)絡(luò)包括：Stacked Hourglass、Networks Simple Baselines、LPN。

8. 注意力機(jī)制網(wǎng)絡(luò)

注意力機(jī)制網(wǎng)絡(luò)包括：SE Net、scSE、NL Net、GCNet、CBAM。

9. 人像分割網(wǎng)絡(luò)（PortraitSegmentation）

人像分割網(wǎng)絡(luò)包括：SINet。

綜上，該 GitHub 開源項(xiàng)目展示了近些年來主流的 9 大類卷積神經(jīng)網(wǎng)絡(luò)，總共包含了幾十種具體的網(wǎng)絡(luò)結(jié)構(gòu)。其中每個(gè)網(wǎng)絡(luò)結(jié)構(gòu)都有 PyTorch 實(shí)現(xiàn)方式。還是很不錯(cuò)的。