resnet50网络结构示意图有50层嘛

### ResNet50网络结构详解

ResNet50是一种深层残差网络，采用了Bottleneck模块来构建更深层次的网络架构[^1]。该模型的设计使得训练非常深的神经网络成为可能。

#### Bottleneck模块解析
在ResNet50中使用的Bottleneck模块由三个连续的卷积层组成：首先是1×1的降维卷积，接着是一个3×3的标准卷积用于特征提取，最后再用一个1×1升维回到原来的通道数[^2]。这种设计有效地减少了计算量并提高了效率。

#### 各阶段Layer分析
整个ResNet50可以分为四个主要部分（layer），每一部分包含了多个Bottleneck单元：

- **conv1**: 输入图片先经过一次7x7大小、步长为2的卷积操作以及最大池化(Max Pooling)，此时输出尺寸减半。

- **layer1 (conv2_x)**: 包含了3个Bottleneck blocks，每个block内部有两次相同分辨率下的变换，因此这一层不会改变空间维度。

- **layer2 (conv3_x)**: 总共有4个blocks，第一个block会执行下采样(stride=2)，后续几个则维持输入输出一致的空间尺度不变。

- **layer3 (conv4_x)**: 此处设置了6个blocks，同样只有首个block负责缩小feature maps规模。

- **layer4 (conv5_x)**: 最终一层也是由3个blocks构成，继续沿用了前面提到的原则——仅首block调整分辨率。

| Layer Name | Number of Blocks |
|------------|------------------|
| conv1      | 1                |
| layer1     | 3                |
| layer2     | 4                |
| layer3     | 6                |
| layer4     | 3                |

这些层次加起来构成了完整的ResNet50架构，总共拥有约50层的有效参数更新路径[^3]。

为了更好地理解这个过程中的具体细节，下面给出了一张简化版的ResNet50结构图示意图（请注意实际实现可能会有所不同）:


此图为PyTorch官方文档提供的ResNet50可视化表示，展示了各个组件之间的连接关系及其相对位置[^4]。