resnet18网络结构

ResNet18是深度残差网络（ResNet）的一种，由微软亚洲研究院所提出，是一个包含18层的深度神经网络。它通过引入残差连接（residual connection）来解决深度神经网络训练过程中遇到的梯度消失（vanishing gradient）和梯度爆炸（exploding gradient）问题，进而使得网络可以更好地训练。

ResNet18的网络结构如下：

1. 输入层：224*224*3的RGB图片。

2. Conv1：卷积层，使用64个7*7的卷积核，步长为2，padding为3，输出为112*112*64的feature map。

3. MaxPool：池化层，使用3*3的池化核，步长为2，输出为56*56*64的feature map。

4. ResBlock1：残差块1，包含两个残差单元，每个残差单元包含两个卷积层和一个shortcut，输出为56*56*64的feature map。

5. ResBlock2：残差块2，包含两个残差单元，每个残差单元包含两个卷积层和一个shortcut，输出为28*28*128的feature map。

6. ResBlock3：残差块3，包含两个残差单元，每个残差单元包含两个卷积层和一个shortcut，输出为14*14*256的feature map。

7. ResBlock4：残差块4，包含两个残差单元，每个残差单元包含两个卷积层和一个shortcut，输出为7*7*512的feature map。

8. AvgPool：全局平均池化层，将7*7*512的feature map变成1*1*512的特征向量。

9. FC：全连接层，输出为1000维的向量，对应于ImageNet上的1000个类别。

10. Softmax：对输出进行softmax激活函数处理，得到各个类别的概率分布。