resnet101模型结构

ResNet101是深度卷积神经网络ResNet的一个变种，其具体模型结构如下：

1. 输入层：输入一张 $224\times224\times3$ 的图片

2. 卷积层1：$7\times7$ 的卷积核，步长为2，64个卷积核，padding为3

3. 批量归一化层1：对卷积层1的输出进行批量归一化

4. 激活层1：使用ReLU激活函数对批量归一化层1的输出进行激活

5. 最大池化层1：$3\times3$ 的池化核，步长为2

6. ResNet Block1：包括3个ResNet单元，每个单元包括两个 $1\times1$ 的卷积层和一个 $3\times3$ 的卷积层，其中第一个和第三个卷积层的输出通道数都为256，中间的卷积层的输出通道数为64

7. ResNet Block2：包括4个ResNet单元，每个单元包括两个 $1\times1$ 的卷积层和一个 $3\times3$ 的卷积层，其中第一个和第三个卷积层的输出通道数都为512，中间的卷积层的输出通道数为128

8. ResNet Block3：包括23个ResNet单元，每个单元包括两个 $1\times1$ 的卷积层和一个 $3\times3$ 的卷积层，其中第一个和第三个卷积层的输出通道数都为1024，中间的卷积层的输出通道数为256

9. ResNet Block4：包括3个ResNet单元，每个单元包括两个 $1\times1$ 的卷积层和一个 $3\times3$ 的卷积层，其中第一个和第三个卷积层的输出通道数都为2048，中间的卷积层的输出通道数为512

10. 平均池化层：使用全局平均池化对最后一个ResNet单元的输出进行池化

11. 全连接层：将平均池化层的输出连接到1000个输出节点的全连接层上，用于分类

ResNet101的主要创新点是引入了残差结构，使得网络可以更容易地训练非常深的层数。同时，它还采用了批量归一化技术来加速网络的训练和提高模型的泛化能力。