resnet18计算公式

ResNet18是一种深度卷积神经网络，由若干个残差块（Residual Block）组成。其中，每个残差块包含两个卷积层和一个跳跃连接（shortcut connection），使得网络可以更容易地学习到特征。

ResNet18的计算公式可以表示为：

输入: $x$

卷积层1: $Conv1(x)$

池化层1: $MaxPool1(Conv1(x))$

残差块1: $ResBlock1(MaxPool1(Conv1(x)))$

残差块2: $ResBlock2(ResBlock1(MaxPool1(Conv1(x))))$

残差块3: $ResBlock3(ResBlock2(ResBlock1(MaxPool1(Conv1(x))))$

残差块4: $ResBlock4(ResBlock3(ResBlock2(ResBlock1(MaxPool1(Conv1(x))))))$

全局平均池化层: $AvgPool(ResBlock4(ResBlock3(ResBlock2(ResBlock1(MaxPool1(Conv1(x)))))))$

全连接层: $FC(AvgPool(ResBlock4(ResBlock3(ResBlock2(ResBlock1(MaxPool1(Conv1(x))))))))$

输出: $y$

其中，$Conv1$为输入$x$的第一个卷积层，$MaxPool1$为第一个池化层，$ResBlock1$至$ResBlock4$为四个残差块，$AvgPool$为全局平均池化层，$FC$为全连接层。每个残差块由两个具有相同卷积核大小的卷积层和一个跳跃连接组成。