resnet18加bottlenet

### 将Bottleneck模块应用于ResNet18

为了增强ResNet18的性能，在其基础上集成Bottleneck模块是一个有效的策略。传统ResNet18由多个基本块构成，每个基本块含有两个3×3卷积层。通过替换成Bottleneck设计，可以有效减少参数数量并提高计算效率。

#### 修改后的架构描述

在新的架构中，原有的2个3×3卷积被替换为更高效的组合：

- **第一个1×1卷积**：用于降维操作，通常会将输入通道数减半。
- **中间3×3卷积**：保留原有空间分辨率不变的情况下处理特征图。
- **最后一个1×1卷积**：负责升维回到原始维度大小。

这种修改不仅降低了每层内部的数据传输成本，还增强了网络对于不同尺度特征的学习能力[^3]。

#### 实现代码示例

以下是Python代码片段展示如何基于PyTorch框架实现上述更改：

import torch.nn as nn


class Bottleneck(nn.Module):
    expansion = 4
    
    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(Bottleneck, self).__init__()
        
        # First layer reduces dimensionality with a 1x1 convolution.
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)

        # Second layer applies spatial filtering without changing dimensions.
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)

        # Third layer restores the original number of channels using another 1x1 conv.
        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
        
    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)
        out = self.relu(out)

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

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

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

        return out

此版本的`Bottleneck`类遵循标准做法，并且可以通过调整`inplanes`, `planes`以及可能存在的下采样逻辑来自定义适应于特定任务的需求。