resnet50残差块结构

### ResNet50 中残差块的具体结构

ResNet50 是一种深层残差网络，其设计允许构建更深的神经网络模型而不易陷入梯度消失问题。该网络通过引入跳跃连接（skip connections），有效地解决了深层次网络训练困难的问题。

#### 残差块的设计特点

在 ResNet50 架构中，残差块由多个卷积层组成，并且这些卷积操作之后会加上来自前一层未经修改的数据流作为快捷路径[^2]。这种机制被称为恒等映射(identity mapping)，有助于缓解随着网络加深带来的退化问题。

对于带有虚线连接的情况，当输入维度与输出维度不匹配时，则采用1×1卷积来调整通道数并改变空间尺寸以适应后续处理需求。具体来说：

- 输入特征矩阵大小为 `[56, 56, 64]`；
- 经过一系列变换后得到新的特征表示形式，最终输出形状变为 `[28, 28, 128]`；

在这个过程中，第一个卷积核大小设定为 `7 × 7`, 步长(stride)设为 `2` 来减少图像的空间分辨率，同时增加通道数量至目标值。然而，在某些特定版本里，比如描述中的情况，首个卷积层步长设置为了 `1` 而不是常见的 `2` ，这意味着宽度和高度的变化是由下一个 `3 × 3` 卷积完成的。

#### Python代码示例展示如何定义一个标准的ResNet50残差模块:

import torch.nn as nn

class BasicBlock(nn.Module):
    expansion = 4
    
    def __init__(self, in_planes, planes, stride=1, downsample=None):
        super(BasicBlock, self).__init__()
        
        # 定义三个连续的卷积层
        self.conv1 = nn.Conv2d(in_planes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)

        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)

        self.conv3 = nn.Conv2d(planes, self.expansion * planes, kernel_size=1, bias=False)
        self.bn3 = nn.BatchNorm2d(self.expansion * planes)

        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample
        
    def forward(self, x):
        identity = x 

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

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

        out = self.conv3(out)
        out = self.bn3(out)

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

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

        return out