残差块结构resnet101

残差块（Residual Block）是ResNet（Residual Network，即残差网络）的核心组成部分，由Kaiming He和他的团队于2015年提出，为解决深度神经网络训练过程中的梯度消失和过拟合问题而设计。ResNet101是ResNet系列中的一种，它具有101层深度，每一层都包含一个或多个残差块。

残差块结构的主要特点是它引入了残差连接（Skip Connection），即将输入信号直接添加到经过一系列卷积、激活等操作后的输出上，这样即使深层网络，也可以直接学习到从输入到输出的残差，而不是从零开始学习。这种设计使得模型能够更容易地训练，因为它的目标不再是直接学习非常深的非线性映射，而是学习一个小的、可学习的映射加上原始输入，这降低了学习的复杂度。

ResNet101的具体结构通常包括以下几个部分：
1. **基础模块**：每个模块包含一个或多个残差块，初始层一般会包含一个7x7的卷积层。
2. **瓶颈模块**：在更深的层中，为了减少计算量，会使用一个1x1的卷积减小通道数，接着是一个3x3的卷积，再用另一个1x1的卷积恢复通道数，最后与输入相加。
3. **下采样层**：每几层后，会有一个下采样层，如MaxPooling或步长大于1的卷积，用于减小特征图的尺寸。