[人工智能] High-Resolution Network (篇二)：MMpose代码讲解之Backbone及关键点Detector部分

开发: C++知识库 Java知识库 JavaScript Python PHP知识库人工智能区块链大数据移动开发嵌入式开发工具数据结构与算法开发测试游戏开发网络协议系统运维
教程: HTML教程 CSS教程 JavaScript教程 Go语言教程 JQuery教程 VUE教程 VUE3教程 Bootstrap教程 SQL数据库教程 C语言教程 C++教程 Java教程 Python教程 Python3教程 C#教程
数码: 电脑笔记本显卡显示器固态硬盘硬盘耳机手机 iphone vivo oppo 小米华为单反装机图拉丁

-> 人工智能 -> High-Resolution Network (篇二)：MMpose代码讲解之Backbone及关键点Detector部分 -> 正文阅读

[人工智能]High-Resolution Network (篇二)：MMpose代码讲解之Backbone及关键点Detector部分

Backbone部分

Backbone部分的代码在mmpose\models\backbones\hrnet.py中，该脚本文件调用了ResNet的BasicBlock和Bottleneck，我们只需要关注HRNet类即可，其构造参数解释如下：

extra (dict): HRNet中每一个Stage的详细配置
in_channels (int): 输入图像的通道数，默认为3
conv_cfg (dict): 卷积层的配置
norm_cfg (dict): 归一化层的配置
norm_eval (bool): 是否将归一化层设为冻结模式，训练阶段默认为False
with_cp (bool): 是否使用预训练权重
zero_init_residual (bool):是否对resblock中的最后一个norm层使用零值初始化
frozen_stages (int): 设置拿个stage冻结权重，-1 表示不冻结任何权重

从原始Image到Stage之间会经过Stem结构，Stem结构由两个步距为2的3×3卷积组成，用来将分辨率降为输入的1/4，其代码部分如下所示：
```
self.norm1_name, norm1 = build_norm_layer(self.norm_cfg, 64, postfix=1)  
# norm1 = BatchNorm2d(64, eps=1e-05, momentum=0.1, affine=True, trac
```