resnet101模型

### 关于 ResNet101 模型的介绍

ResNet101 是一种深度残差网络，属于 ResNet 系列之一。该架构通过引入跳跃连接解决了深层神经网络中的梯度消失问题，使得训练更深的网络成为可能[^3]。

#### 主要特点

- **深度结构**：ResNet101 总共有 101 层卷积层，相比早期的经典 CNN 结构更加深入。
- **残差学习单元**：每一组连续几层之间存在一条捷径（shortcut），允许输入直接传递到后续层次，从而缓解了反向传播过程中可能出现的梯度弥散现象。
- **模块化设计**：整个网络由多个基本构建块堆叠而成，这些构建块内部遵循相同的模式——两层或三层标准卷积操作加上批量归一化和 ReLU 非线性激活函数。

import torch.nn as nn

class Bottleneck(nn.Module):
    expansion = 4
    
    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(Bottleneck, self).__init__()
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)
        self.conv3 = nn.Conv2d(planes, planes * self.expansion, kernel_size=1, bias=False)
        self.bn3 = nn.BatchNorm2d(planes * self.expansion)
        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample
        self.stride = stride
        
    def forward(self, x):
        residual = x

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

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

        out = self.conv3(out)
        out = self.bn3(out)

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

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

        return out

此代码片段展示了 ResNet 中的一个瓶颈 (Bottleneck) 单元实现方式，在 ResNet101 中会重复使用这种类型的组件来构成完整的网络框架。

---

### 应用场景

基于 ResNet101 架构的模型文件适用于多种计算机视觉任务，包括但不限于图像分类、目标检测以及语义分割等领域。用户能够依据实际应用场景对该基础模型实施迁移学习或是进一步微调优化性能表现[^1]。

对于希望快速上手并利用预训练权重加速开发流程的研究人员来说，可以访问特定资源获取 PyTorch 版本下的 ResNet101 预训练模型及其相关文档说明材料[^2]。