resnet101输出

### ResNet101 的输出特征与结构解释

#### 深度残差网络概述
ResNet101 属于深度残差网络 (Deep Residual Networks)，该类模型通过引入残差学习机制解决了深层神经网络训练过程中遇到的退化问题[^2]。

#### 构建块设计
基本构建块采用瓶颈结构（Bottleneck），这种特殊的设计允许更深层次的同时保持较低计算成本。每个瓶颈单元通常由三个卷积层组成，分别是 \(1 \times 1\)、\(3 \times 3\) 和另一个 \(1 \times 1\) 卷积操作，其中间通道数较少以减少参数量并加速运算过程。

#### 特定层数说明
相较于 ResNet50, ResNet101 主要区别在于第三个大虚线框内的重复次数增加到了 23 次（即额外增加了 17 组 Bottlenecks）。具体来说，在第三阶段共有 23 个这样的模块被串联起来形成更深的网络架构[^5]。

#### 修改分类头
对于希望调整最终输出类别数量的情况，可以通过更改全连接层 (`fc`) 来实现自定义输出尺寸。然而需要注意的是仅仅简单地设置新的 `out_features` 参数可能不足以完全适配新任务需求；还需要考虑预训练权重迁移等问题[^3]。

#### 查看实际结构
为了直观理解整个网络布局以及确认任何改动是否生效，可以利用 PyTorch 提供的功能打印出完整的模型定义：

import torch
from torchvision import models

device = 'cuda' if torch.cuda.is_available() else 'cpu'
model = models.resnet101(pretrained=True).to(device)

print(model)

这段代码会展示 ResNet101 所有层次的信息，帮助开发者更好地掌握内部细节[^4]。