resnet模型定义

ResNet 模型架构和定义
ResNet（残差网络）通过引入短路连接解决了深层神经网络训练过程中梯度消失的问题，使得可以构建更深的卷积神经网络[^1]。
BasicBlock 类结构
ResNet 的基本组成单元称为 BasicBlock 或者更深层次使用的 Bottleneck Block。对于较浅层的 ResNet 版本（如 ResNet-18 和 ResNet-34），主要采用的是 BasicBlock 结构：
class BasicBlock(nn.Module):
expansion = 1

def __init__(self, inplanes, planes, stride=1, downsample=None):
super(BasicBlock, self).__init__()
# 定义第一个卷积层
self.conv1 = conv3x3(inplanes, planes, stride)
self.bn1 = nn.BatchNorm2d(planes)

# 定义第二个卷积层
self.conv2 = conv3x3(planes, planes)
self.bn2 = nn.BatchNorm2d(planes)

self.downsample = downsample
self.stride = stride

def forward(self, x):
identity = x

out = self.conv1(x)
out = self.bn1(out)
out = F.relu(out)

out = self.conv2(out)
out = self.bn2(out)

if self.downsample is not None:
identity = self.downsample(x)

out += identity
out = F.relu(out)

return out
登录后复制
上述代码展示了如何创建一个基础模块，在该模块中实现了两个连续的 3×3 卷积操作，并且加入了跳跃连接来形成残差学习框架。
整体 ResNet 架构设计
完整的 ResNet 是由多个这样的 BasicBlock 组成的不同阶段构成，每个阶段可能具有不同的特征图大小以及通道数。整体来看，ResNet 主要分为以下几个部分：

输入层：通常是一个7x7的卷积核加上最大池化；
四个阶段的堆叠块：每组内部包含若干个相同配置的基础模块；
全局平均池化层：用于减少参数量并提取全局特征；
全连接分类器：最终输出类别预测结果；

这种分层次的设计让 ResNet 能够有效地处理非常深的网络层数而不会遇到退化问题。