ResNet18超参数

ResNet18是一种深度残差网络，它是Deep residual learning for image recognition论文中提出的，用于解决深层神经网络训练过程中的梯度消失问题。ResNet18的主要超参数包括：

1. **卷积层深度** (Depth): ResNet18有18个基本模块（layer blocks），每个模块包含两个或三个残差块。这是它的名字“18”所指的部分。

2. **通道数（Filters或Channels）**: 每一层卷积层通常会增加通道数，例如初始的7x7卷积层有64个输出通道，后续的卷积层通道数可能会逐层翻倍。

3. **池化层设置**: 使用MaxPooling或AveragePooling，一般在每组卷积块之后有一个2x2的最大池化层来减小特征图尺寸。

4. **学习率（Learning Rate）**: 训练过程中调整的学习速率，开始时较大，然后随着训练进行逐渐衰减。

5. **优化器（Optimizer）**: 如SGD、Adam等，影响模型权重更新的方式。

6. **批量大小（Batch Size）**: 数据集每次向前传播的小批量样本数量。

7. **权重初始化（Weight Initialization）**: 如He初始化或Xavier初始化，对网络的初始权值分布有一定影响。

8. **Dropout比例（Dropout Rate）**: 可能用于防止过拟合，随机关闭一部分神经元。

9. **正则化参数（L2 Regularization）**: 对权重施加的惩罚项，有助于减少过拟合。

10. **训练轮数（Epochs）**: 模型需要迭代多少次完整数据集。

每个模型的具体训练策略都可能因任务需求而略有差异，上述参数并不是固定的，实践者可能会针对特定任务进行调整优化。