Resnet模型架构图

### ResNet 模型架构及其可视化

#### 背景介绍
残差网络（Residual Networks, ResNet）是一种用于解决深层神经网络中梯度消失问题的有效方法。通过引入跳跃连接（skip connections），使得网络能够更有效地传递梯度并训练更深层数的模型[^3]。

#### 架构特点
ResNet 的核心创新在于其模块化的构建单元——残差块（residual block）。每个残差块由两个或多个卷积层组成，并附加一条直接跨越这些层的恒等映射路径。这种设计允许信息绕过某些层次结构，从而缓解了随着网络加深而可能出现的信息丢失现象[^2]。

具体来说，在标准版本中，ResNet 使用了不同数量堆叠起来的基础组件来形成整个网络框架：

- **浅层版本 (如 ResNet-18 和 ResNet-34)** 主要采用基本的两层卷积加批标准化操作；

- **较深版本 (如 ResNet-50、ResNet-101 及 ResNet-152)** 则利用瓶颈结构（bottleneck architecture），即先降维再升维的方式减少计算量的同时保持表达能力不变甚至更强。

以下是 ResNet-50 的简化版架构图表示形式：

Input -> Conv7x7/BatchNorm/ReLU -> MaxPool ->
(1×Bottleneck Block with stride=1) * 3 ->
(1×Bottleneck Block with stride=2) * 4 ->
(1×Bottleneck Block with stride=2) * 6 ->
(1×Bottleneck Block with stride=2) * 3 ->
Average Pooling -> Fully Connected Layer -> Softmax Output

对于更加直观的理解，下面给出了一张典型的 ResNet 架构示意图：


此图为 ResNet 中最著名的变体之一 ResNet-50 的整体布局展示，清晰地展示了各个阶段之间的转换关系以及每一步的具体参数设置。