画出resnet18网络结构图

ResNet-18是一种经典的深度卷积神经网络结构，用于图像分类任务。它由多个残差块（Residual Block）组成，每个残差块内部包含了多个卷积层和批归一化层。

下面是ResNet-18的网络结构图：

输入层
  |
卷积层 (7x7, 64)
  |
批归一化层
  |
ReLU激活函数
  |
最大池化层 (3x3, stride=2)
  |
残差块1
  |
残差块2
  |
残差块3
  |
残差块4
  |
全局平均池化层
  |
全连接层 (输出类别数)
  |
Softmax激活函数
  |
输出层

每个残差块由两个或三个卷积层组成，其中包括了跳跃连接（shortcut connection），用于解决深度网络中的梯度消失问题。具体的残差块结构如下：

输入
  |
卷积层 (3x3, 64)
  |
批归一化层
  |
ReLU激活函数
  |
卷积层 (3x3, 64)
  |
批归一化层
  |
跳跃连接
  |
ReLU激活函数

相关问题

请画出resnet20的结构图

以下是ResNet20的结构图：

输入
↓
卷积层（64个3x3卷积核，步长1，填充1）
↓
批量归一化层
↓
ReLU激活层
↓
基本块（64个3x3卷积核，步长1，填充1）
↓
基本块（64个3x3卷积核，步长1，填充1）
↓
基本块（64个3x3卷积核，步长1，填充1）
↓
基本块（128个3x3卷积核，步长2，填充1）
↓
基本块（128个3x3卷积核，步长1，填充1）
↓
基本块（128个3x3卷积核，步长1，填充1）
↓
基本块（256个3x3卷积核，步长2，填充1）
↓
基本块（256个3x3卷积核，步长1，填充1）
↓
基本块（256个3x3卷积核，步长1，填充1）
↓
基本块（512个3x3卷积核，步长2，填充1）
↓
基本块（512个3x3卷积核，步长1，填充1）
↓
基本块（512个3x3卷积核，步长1，填充1）
↓
全局平均池化层
↓
全连接层（10个输出）
↓
Softmax层
↓
输出

ResNet20使用了跨层的连接（skip connection）和残差学习（residual learning）的思想，使得网络可以更深，并且训练更加容易。ResNet20的结构比较简单，但在CIFAR-10数据集上的表现也非常优秀。

resnet18网络结构可以怎么画表格

### ResNet18网络结构的表格表示

为了清晰地展示ResNet18的网络架构，可以通过表格的形式来描述每一层的具体参数和配置。下表列出了ResNet18的主要组成部分及其对应的超参数设置[^1]。

| 层名称 | 类型 | 输入尺寸 | 输出尺寸 | 卷积核大小 | 步长 | 填充方式 |
|--------|--------------|----------------|---------------|---------------|----------|------------|
| conv1 | Convolutional| (3, 224, 224) | (64, 112, 112)| 7x7 | stride=2 | padding=3 |
| bn1 | BatchNorm | (64, 112, 112) | (64, 112, 112)| - | - | - |
| relu | ReLU | (64, 112, 112) | (64, 112, 112)| - | - | - |
| maxpool| MaxPooling | (64, 112, 112) | (64, 56, 56) | kernel_size=3 | stride=2 | padding=1 |

#### Layer1
| 序号 | 子层名 | 类型 | 输入尺寸 | 输出尺寸 | 卷积核大小 | 步长 | 填充方式 |
|------|-------------------|-------------------|----------------|---------------|------------|--------|-----------|
| 1a | layer1.0.conv1 | Convolutional | (64, 56, 56) | (64, 56, 56) | 3x3 |stride=1|padding=1 |
| 1b | layer1.0.bn1 | BatchNorm | (64, 56, 56) | (64, 56, 56) | - | - |- |
| 1c | layer1.0.relu | ReLU | (64, 56, 56) | (64, 56, 56) | - | - |- |
| 1d | layer1.0.conv2 | Convolutional | (64, 56, 56) | (64, 56, 56) | 3x3 |stride=1|padding=1 |
| 1e | layer1.0.bn2 | BatchNorm | (64, 56, 56) | (64, 56, 56) | - | - |- |
| 1f | layer1.0.downsample| Sequential(Conv,BN)|(64, 56, 56) | (64, 56, 56) |-|-|-|

注意：上述`layer1`仅展示了第一个残差块的内容；实际上Layer1共有两个这样的残差单元。后续各层（Layer2-Layer4）也遵循类似的模式构建，每层内部包含多个残差块，随着层数加深，特征图数量逐渐增多而空间分辨率相应减少。

import torch.nn as nn

class BasicBlock(nn.Module):
    expansion = 1
    
    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(BasicBlock, self).__init__()
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)
        self.downsample = downsample
        
    def forward(self, x):
        identity = x 

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        if self.downsample is not None:
            identity = self.downsample(x)

        out += identity
        out = self.relu(out)

        return out