ResNet 网络结构

ResNet（Residual Network）是由何凯明等人提出的深度残差网络，它是在2015年ImageNet图像识别大赛上获得了第一名。ResNet的主要思想是通过引入残差块（Residual Block）来解决深度神经网络中的梯度消失和梯度爆炸问题，使得网络可以更加深层次地进行训练。ResNet的网络结构主要分为以下几个部分：

1. 输入层：输入的图像经过一个卷积层，进行特征提取。

2. 残差块：ResNet最核心的部分是残差块，它包含了多个卷积层和批量归一化层，在其中使用了跳跃连接（skip connection）来避免梯度消失问题。残差块的设计使得网络可以学习到残差特征，从而更加深层次地进行训练。

3. 池化层：将特征图进行降维，减少计算量。

4. 全连接层：将特征图映射到输出类别上。

ResNet网络结构可以根据深度不同分为不同的版本（如ResNet-18、ResNet-34、ResNet-50等），其中ResNet-50是最常用的版本之一。