resnet50中的bottleneck结构

### ResNet50 中的 Bottleneck 结构详解

#### 什么是Bottleneck结构
在ResNet架构中，为了进一步减少计算量并提高效率，在较深版本如ResNet50里采用了所谓的瓶颈层（Bottleneck Layer）。这种特殊的设计不仅能够有效降低参数数量，还能保持甚至提升模型的表现力。

#### 具体组成
对于ResNet50而言，其主要由多个堆叠起来的标准卷积模块构成。然而不同于浅层版本采用简单重复的基础单元形式，这里引入了更为复杂的三层组合方式作为基础构建块——即所谓"Bottleneck"单元[^2]：

- **第一个1×1卷积**：负责降维操作，通常会将输入特征图通道数减半；

- **最后一个1×1卷积**：用于恢复原始维度大小的同时也起到融合信息的作用。

此三步流程构成了完整的Bottleneck子模块，并且在整个网络内部被多次迭代使用以形成更深层次的整体框架。

#### PyTorch 实现示意代码
下面给出一段基于PyTorch框架下定义上述描述中的单个Bottleneck Unit实例化方法：

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 Convolution (1x1)
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)

        # Second Convolution (3x3)
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)

        # Third Convolution (1x1), expand back to original size with factor of 'expansion'
        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