ResNet18新手指南：没GPU也能体验的3种方法

1. 为什么选择ResNet18作为入门模型

作为一名刚入职的测试工程师，你可能经常听到同事们讨论深度学习模型，而ResNet18正是最适合新手入门的经典模型之一。它就像编程界的"Hello World"，简单却包含了深度学习的核心概念。

ResNet18全称是残差网络18层版本，由微软研究院在2015年提出。它的最大特点是引入了"残差连接"（可以想象成给神经网络加了条捷径），解决了深层网络训练困难的问题。虽然现在有更大更复杂的模型，但ResNet18依然有三大优势：

轻量级：相比其他大型模型，它只有约1100万个参数，对硬件要求低
通用性强：在图像分类、物体检测等任务上表现稳定
学习价值高：包含了卷积、池化、残差块等核心组件

2. 方法一：使用Google Colab免费GPU资源

如果你的电脑配置不高，Google Colab是最方便的解决方案。它提供免费的GPU资源（通常是Tesla T4或K80），足够运行ResNet18这样的轻量级模型。

2.1 创建Colab笔记本

打开浏览器访问 Google Colab
点击"新建笔记本"
在菜单栏选择"修改"→"笔记本设置"，将硬件加速器改为GPU

2.2 安装PyTorch并加载ResNet18

在代码单元格中输入以下命令：

import torch import torchvision.models as models # 检查GPU是否可用 device = torch.device("cuda" if torch.cuda.is_available() else "cpu") print(f"正在使用: {device}") # 加载预训练的ResNet18模型 model = models.resnet18(pretrained=True).to(device) print(model)

这段代码会输出ResNet18的网络结构，你可以看到它由多个卷积层、池化层和残差块组成。

2.3 运行简单推理测试

from torchvision import transforms from PIL import Image import requests from io import BytesIO # 准备图像预处理 preprocess = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]), ]) # 下载测试图片 url = "https://images.unsplash.com/photo-1517849845537-4d257902454a" response = requests.get(url) img = Image.open(BytesIO(response.content)) # 预处理并推理 input_tensor = preprocess(img).unsqueeze(0).to(device) with torch.no_grad(): output = model(input_tensor) # 输出预测结果 print(f"预测结果: {torch.argmax(output)}")

3. 方法二：在本地CPU上运行精简版模型

如果你的网络条件不好，或者想完全离线学习，可以在自己的老电脑上运行精简版的ResNet18。

3.1 安装最小化PyTorch

在命令行运行以下命令安装CPU版本的PyTorch：

pip install torch torchvision torchaudio --index-url https://download.pytorch.org/whl/cpu

3.2 使用CIFAR-10数据集训练精简模型

ResNet18原设计输入是224x224，但我们可以调整第一层卷积，使其适配32x32的CIFAR-10图片：

import torch.nn as nn import torch.optim as optim from torchvision import datasets, transforms # 修改ResNet18的第一层卷积 model = models.resnet18(pretrained=False) model.conv1 = nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1, bias=False) model.fc = nn.Linear(512, 10) # CIFAR-10有10类 # 准备数据集 transform = transforms.Compose([ transforms.ToTensor(), transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5)) ]) trainset = datasets.CIFAR10(root='./data', train=True, download=True, transform=transform) trainloader = torch.utils.data.DataLoader(trainset, batch_size=32, shuffle=True) # 训练配置 criterion = nn.CrossEntropyLoss() optimizer = optim.SGD(model.parameters(), lr=0.001, momentum=0.9) # 训练循环（简化版） for epoch in range(5): # 只训练5个epoch running_loss = 0.0 for i, data in enumerate(trainloader, 0): inputs, labels = data optimizer.zero_grad() outputs = model(inputs) loss = criterion(outputs, labels) loss.backward() optimizer.step() running_loss += loss.item() print(f'Epoch {epoch+1}, loss: {running_loss/len(trainloader):.3f}')

这个精简版在我的老笔记本（i5-8250U）上也能流畅运行，每个epoch大约需要2-3分钟。

4. 方法三：使用ONNX Runtime加速CPU推理

如果你只需要做推理（不训练），可以将模型转换为ONNX格式，获得更好的CPU性能。

4.1 导出ResNet18为ONNX格式

import torch.onnx # 创建虚拟输入 dummy_input = torch.randn(1, 3, 224, 224) # 导出模型 torch.onnx.export(model, dummy_input, "resnet18.onnx", input_names=["input"], output_names=["output"], dynamic_axes={"input": {0: "batch_size"}, "output": {0: "batch_size"}})

4.2 使用ONNX Runtime运行推理

import onnxruntime as ort import numpy as np # 创建推理会话 ort_session = ort.InferenceSession("resnet18.onnx") # 准备输入数据 img_np = np.random.rand(1, 3, 224, 224).astype(np.float32) # 运行推理 outputs = ort_session.run(None, {"input": img_np}) print(outputs[0].shape)

ONNX Runtime通常比原生PyTorch在CPU上有20-30%的速度提升，特别适合老旧设备。