ResNet50的架构图

ResNet-50 架构图
ResNet-50 的架构设计采用了深度残差学习框架，该模型由多个残差块组成。每个快捷连接会跳过三个卷积层而非两个，这与较浅的 ResNet-34 不同[^1]。
特征提取阶段
在网络前端部分，输入图像经过一次7x7的卷积操作后接最大池化层。随后进入四个不同的stage模块，这些模块分别含有不同数量的瓶颈（bottleneck）单元：

Stage 2: 包含3个 bottleneck 单元
Stage 3: 包含4个 bottleneck 单元
Stage 4: 包含6个 bottleneck 单元
Stage 5: 包含3个 bottleneck 单元

每个bottleneck单元内部具体结构如下：
Input -> Convolution (1x1) -> Batch Normalization -> ReLU Activation ->
Convolution (3x3) -> Batch Normalization -> ReLU Activation ->
Convolution (1x1) -> Addition with Input Shortcut Connection -> Output
登录后复制
对于某些特定位置上的 shortcut connections，则会在跳跃路径上加入1x1 convolutions来匹配维度变化。
为了更直观理解上述描述，在 Neural-Network-Architecture-Diagrams 项目中可以找到详细的 ResNet-50 结构图文件 .drawio 。通过命令行工具进入到该项目目录下并利用diagrams.net打开对应文档即可查看编辑完整的网络拓扑关系图[^2]。
cd Neural-Network-Architecture-Diagrams/
diagrams.net "ResNet-50.drawio"
登录后复制