resnet50网络结构示意图和流程图

### ResNet50 网络架构解析

ResNet50 是一种深层残差网络，在解决梯度消失问题方面取得了显著进展[^1]。此网络通过引入跳跃连接（skip connections），使得训练非常深的网络成为可能。

#### 架构概述

ResNet50 总共有 50 层，采用了模块化的构建方式。整个网络由多个残差块组成，每个残差块内部含有若干个卷积层以及一个用于跨层传递信息的身份映射路径。这种设计有效地缓解了随着网络加深而带来的优化困难问题。

#### 主要组成部分

- **输入层**：接受固定尺寸 (通常是224×224像素) 的彩色图片作为输入。

- **初始卷积层**：执行一次标准的7x7卷积操作，步幅为2，并接续Batch Normalization 和 ReLU激活函数处理后的特征图会经过最大池化进一步缩小空间维度。

- **四个阶段的残差单元堆叠**：
- Stage 2 到 Stage 5 分别包含了不同数量的瓶颈型残差单元；
- 每个Stage内的第一个残差单元负责降采样(减半宽高)，其余保持不变；

- **全局平均池化层**：将最后一个stage产生的多通道特征图转换成一维向量表示形式。

- **全连接分类器**：最终输出类别预测概率分布。

graph TD;
A[Input Image] --> B{Convolution Layer};
B --> C[BATCH NORM];
C --> D[ReLU Activation];
D --> E{Max Pooling};
E --> F[Stage 2 Residual Blocks];
F --> G[Stage 3 Residual Blocks];
G --> H[Stage 4 Residual Blocks];
H --> I[Stage 5 Residual Blocks];
I --> J{Global Average Pooling};
J --> K[Fully Connected Classifier];
K --> L[Predicted Class Probabilities];

上述图表展示了简化版的 ResNet50 流程示意，其中省略了一些细节比如具体的卷积核大小、填充模式等参数配置[^2]。

为了更直观理解 ResNet50 的工作原理，可以参考下述 Python 实现片段来创建一个简单的 ResNet50 模型：

import torch.nn as nn
from torchvision import models

class SimpleResNet(nn.Module):
    def __init__(self, num_classes=1000):
        super(SimpleResNet, self).__init__()
        self.model = models.resnet50(pretrained=True)
        self.fc = nn.Linear(self.model.fc.in_features, num_classes)

    def forward(self, x):
        x = self.model.conv1(x)
        x = self.model.bn1(x)
        x = self.model.relu(x)
        x = self.model.maxpool(x)

        x = self.model.layer1(x)
        x = self.model.layer2(x)
        x = self.model.layer3(x)
        x = self.model.layer4(x)

        x = self.model.avgpool(x)
        x = x.view(x.size(0), -1)
        x = self.fc(x)
        return x