resnet34和resnet50结构图介绍

ResNet（Residual Network）是一种非常流行的深度残差网络，它在2015年由Kaiming He等人提出。ResNet通过引入残差连接（residual connection）解决了深度神经网络训练过程中的梯度消失和梯度爆炸问题，使得网络可以更深更容易训练。

ResNet34和ResNet50是ResNet系列中的两个典型模型，它们的结构图如下所示：

1. ResNet34结构图：

输入
  |
卷积层（64个3x3卷积核）
  |
残差块（3个残差单元）
  |
全局平均池化
  |
全连接层（输出类别数）
  |
输出

ResNet34由一个初始的卷积层和4个残差块组成，每个残差块包含多个残差单元。每个残差单元由两个卷积层和一个跳跃连接组成，其中第一个卷积层用于降低特征图的维度，第二个卷积层用于恢复特征图的维度。最后通过全局平均池化和全连接层得到最终的输出。

2. ResNet50结构图：

输入
  |
卷积层（64个7x7卷积核，步长2）
  |
批量归一化
  |
激活函数（ReLU）
  |
最大池化（3x3池化核，步长2）
  |
残差块（3个残差单元，每个残差单元包含3个卷积层）
  |
残差块（4个残差单元，每个残差单元包含4个卷积层）
  |
残差块（6个残差单元，每个残差单元包含6个卷积层）
  |
残差块（3个残差单元，每个残差单元包含3个卷积层）
  |
全局平均池化
  |
全连接层（输出类别数）
  |
输出

ResNet50相比于ResNet34更深更复杂，它由一个初始的卷积层、4个残差块和多个残差单元组成。每个残差块内的残差单元数量不同，分别为3、4、6和3个。每个残差单元内部包含多个卷积层和跳跃连接。最后通过全局平均池化和全连接层得到最终的输出。