resnet50四阶段结构

ResNet50是一种深度残差网络（Residual Network），其设计目的是解决深度神经网络训练过程中遇到的梯度消失和过拟合问题。它主要分为四个关键阶段：

1. **基础块** (Basic Block)：这是ResNet的基本构建单元，由两个3x3卷积层组成，中间通过残差连接（Identity shortcut connection）将输入直接添加到输出上，允许信息在网络更深的层次中直接传递。

2. **堆叠式结构** (Stem and Bottleneck Blocks)：ResNet50采用的是Bottleneck Block，它包含三个卷积层，其中第一个和第三个是大的1x1卷积层（瓶颈部分），第二个是3x3卷积层，这种设计减少了参数量并提高了计算效率。

3. **分阶段递增深度** (Progressive Stride)：网络按照阶段进行分层，每个阶段有多个相同的Block。第一阶段通常使用小步长（stride=1），后面阶段每增加一层就提升一次步长（如从16层开始变为 stride=2），这样可以在保持计算效率的同时逐渐增加网络的容量。

4. **全局平均池化和全连接层** (Global Average Pooling and Fully Connected Layer)：最后，网络经过一系列的Block后，会应用一个全局平均池化层，然后接一个或多个全连接层用于分类任务。这一步将特征映射转换成固定大小的向量，便于后续处理。