基于Claude Code实现ResNet网络搭建记录

weixin_45859446

589人浏览 · 2026-02-22 13:50:12

weixin_45859446 · 2026-02-22 13:50:12 发布

注：个人的IDE使用PyCharm/VScode，环境管理使用Conda/miniconda

项目存放在个人的github仓库

ResNet网络简单介绍

ResNet（Residual Network，残差网络）是 2015 年提出的经典卷积网络，核心创新是残差连接（Residual Connection），解决了深层网络训练时的梯度消失问题，目前仍作为CNN的核心骨干网络适用于图像分类、目标检测等任务。

ResNet的基础结构：

输入层 → 卷积层（7×7，步长2）+ 池化层（3×3，步长2） → 4个残差块组（layer1-layer4） → 全局平均池化 → 全连接层（分类头）

对于不同版本的ResNet，残差块有所不同：

基础残差块（BasicBlock）：用于 ResNet18/34，由 2 个 3×3 卷积层组成；
瓶颈残差块（Bottleneck）：用于 ResNet50/101/152，由 1×1 + 3×3 + 1×1 卷积层组成（减少计算量）

因此ResNet50 虽然层数更多，但用了 Bottleneck 结构，参数量只比 ResNet34 多一点（25M vs 21M），计算量也只略高，是当下任务的第一选择（当然还需要考虑数据集大小和硬件资源）

基于Claude Code实现ResNet的规划

明确目的：从零开始实现 ResNet深度学习模型，使用 PyTorch 框架。

技术栈：Pytorch框架，python3.8+

需要实现的功能：

1.搭建ResNet网络，支持18/34/50/101等型号

2.支持加载pytorch的预训练权重，例如Resnet34

https://download.pytorch.org/models/resnet18-f37072fd.pth

3.支持从头开始训练或者使用预训练权重开始训练

4.支持对数据集CIFAR-10、CIFAR-100、ImageNet进行预处理或数据增强

5.支持训练完成后的模型导出和测试

Claude Code自动构建

首先在计划模式把我们的规划全部发送给Claude Code,让他生成解决方案，我使用GLM-5模型的部分解决方案如下

实现步骤

阶段 1: 基础设施

1. 创建项目目录结构
2. 创建 requirements.txt
3. 实现 src/models/blocks.py - BasicBlock 和 Bottleneck
4. 实现 src/models/resnet.py - 主 ResNet 类
5. 实现 src/models/variants.py - 工厂函数（支持 pretrained=True 参数）
6. 实现 src/utils/weights.py - 预训练权重下载和管理

阶段 2: 数据管道

7. 实现 src/data/transforms.py - 数据增强
8. 实现 src/data/dataset.py - 数据集加载器
9. 实现 src/utils/metrics.py - 评估指标

阶段 3: 训练引擎

10. 实现 src/engine/optimizer.py - 优化器和调度器
11. 实现 src/engine/trainer.py - 训练循环
12. 实现 src/utils/checkpoint.py - 模型保存/加载
13. 实现 src/utils/logger.py - TensorBoard 日志

阶段 4: 用户接口

14. 实现 scripts/train.py - 训练脚本（支持 --pretrained 参数）
15. 实现 scripts/evaluate.py - 评估脚本
16. 创建 config.yaml - 配置文件
17. 创建 README.md - 使用文档

确认无误后交给Claude Code自动执行即可，经过12分钟的等待时间，执行结果如下：

ResNet 深度学习项目已全部完成！

已创建的文件结构

C:\Users\Temp\Desktop\Resnet\
├── .gitignore
├── README.md
├── requirements.txt
├── config.yaml
│
├── src/
│ ├── __init__.py
│ ├── models/
│ │ ├── __init__.py
│ │ ├── blocks.py # BasicBlock 和 Bottleneck
│ │ ├── resnet.py # 主 ResNet 类
│ │ └── variants.py # 工厂函数
│ ├── data/
│ │ ├── __init__.py
│ │ ├── transforms.py # 数据增强
│ │ └── dataset.py # 数据集加载
│ ├── engine/
│ │ ├── __init__.py
│ │ ├── optimizer.py # 优化器配置
│ │ └── trainer.py # 训练循环
│ └── utils/
│ ├── __init__.py
│ ├── weights.py # 预训练权重下载
│ ├── metrics.py # 评估指标
│ ├── checkpoint.py # 模型保存/加载
│ └── logger.py # TensorBoard 日志
│
├── scripts/
│ ├── train.py # 训练脚本
│ └── evaluate.py # 评估脚本
│
├── outputs/ # 输出目录
├── tests/
├── examples/
└── notebooks/

快速开始

1. 安装依赖：
pip install -r requirements.txt

2. 从头训练 ResNet-50：
python scripts/train.py --model resnet50 --dataset cifar10 --epochs 100

3. 使用预训练权重训练：
python scripts/train.py --model resnet50 --dataset cifar10 --pretrained true --epochs 100

4. 评估模型：
python scripts/evaluate.py --checkpoint outputs/checkpoints/best_model.pth --dataset cifar10

不难发现，项目结构非常清晰，ResNet模型代码均在src/models文件夹下，数据集的加载和变换在src/data文件夹，训练和测试均在scripts文件夹下，我们依次来看

ResNet模型代码

blocks.py实现了基础残差块（BasicBlock）和瓶颈残差块（Bottleneck）

两个类所需参数均为：输入通道数、输出通道数、卷积步长和残差连接维度匹配

然后我们看resnet.py，这是用于搭建ResNet的整体网络，核心是用def_make_layer 将多个残差块组合成一个 stage，所有resnet型号都包含4个stage，区别是每个stage的block数量不同

注：这里通道数变化受expansion参数影响，因此会有4倍的区别

此外代码还提供了两个forward版本：

def forward(self, x: torch.Tensor) -> torch.Tensor:
    """
    Forward pass through the network.

    Args:
        x: Input tensor of shape (batch_size, channels, height, width)

    Returns:
        Output tensor of shape (batch_size, num_classes)
    """
    # Initial convolution and pooling
    x = self.conv1(x)
    x = self.bn1(x)
    x = self.relu(x)
    x = self.maxpool(x)

    # Four stages of residual blocks
    x = self.layer1(x)
    x = self.layer2(x)
    x = self.layer3(x)
    x = self.layer4(x)

    # Global average pooling and classification
    x = self.avgpool(x)
    x = torch.flatten(x, 1)
    x = self.fc(x)

    return x

def forward_features(self, x: torch.Tensor) -> torch.Tensor:
    """
    Forward pass returning the feature maps before the final FC layer.
    Useful for feature extraction and transfer learning.

    Args:
        x: Input tensor

    Returns:
        Feature tensor of shape (batch_size, 512 * expansion, 1, 1)
    """
    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)
    return xb

不难看出区别是有没有最后的全连接层（即分类头）， forward_features() 让 ResNet 可以作为通用的特征提取器，而不受原始分类任务的限制。

最后看variants.py使用工厂函数模式来构建不同型号的 ResNet实例

工作流程

调用 resnet50(pretrained=True, num_classes=10)
↓
创建 ResNet(Bottleneck, [3,4,6,3], num_classes=10)
↓
检查 pretrained=True
↓
调用 _load_pretrained_weights()
↓
从 PyTorch 下载权重
↓
检测到 num_classes=10 ≠ 1000
↓
移除预训练的 fc 层权重
↓
加载权重（fc 层随机初始化）
↓
返回模型

数据集加载和处理代码

dataset.py 功能分析:

数据集加载器函数def get_dataset_loaders--提供自动下载CIFAR

封装「数据集加载 + 预处理 + 批量迭代」，返回可直接用于训练的 DataLoader；

get_custom_dataset_loaders() 允许使用自己的数据

transforms.py 实现了数据增强和预处理

class Cutout:
"""随机遮挡图像中的方形区域"""
用途：防止模型过拟合，强制模型学习全局特征而非局部纹理。

模型训练

我们使用如下命令在终端进行训练

python scripts/train.py --model resnet18 --dataset cifar10 --epochs 100

使用resnet18模型从头开始训练cifar10数据集，轮次100，代码会自动下载数据集，如果速度太慢请自行去网站下载压缩包解压后，放入data\raw文件夹

训练过程中发现，当前的训练每一个epoch都会保存权重文件，改为每10轮/20轮保存一次，后续可自行加入中断训练后恢复训练、训练早停等通用功能。

我们重新运行训练：改为使用预训练权重

python scripts/train.py --model resnet18 --dataset cifar10 --pretrained true --epochs 50

https://edu.csdn.net/learn/39067/627173?utm_source=2019755004

汇聚全球AI编程工具，助力开发者即刻编程。

所有评论(0)

查看更多评论

weixin_45859446

@weixin_45859446

已为社区贡献1条内容

基于Claude Code实现ResNet网络搭建记录

weixin_45859446

ResNet网络简单介绍

基于Claude Code实现ResNet的规划

Claude Code自动构建

ResNet模型代码

数据集加载和处理代码

模型训练

所有评论(0)

温馨提示：您尚未绑定手机号

weixin_45859446