Resnet
Resnet即就是残差网络，本文主要是对于resnet给出的网络结构图进行简单解释。
网络结构图
以上就是34层网络的网络结构图。
以上是18层、34层、50层、101层以及152层网络所对应的残差块。
我刚开始在网上看到这两张图片的时候，感觉一点都不懂，后面学了一下，稍微懂了，所以写下这篇博文做个记录。
个人理解
比如说第一张34层的网络结构图，它对应的是第二张图片的第四列。
在第四列中，每一行的大概解释如下：
- 第二行表示，从18层到152层的conv1都使用了64个7*7的卷积核，
- 第三行表示的是从18层到152层的conv2_x第一步也都使用了3*3的卷积核进行池化。
- 第四行表示con2_x的第二步执行了 3个残差块，每个残差块包含两步操作：使用64个3*3的卷积核，进行卷积，执行两次。而最终的结果shape为[56*56*64]
- 同样的，第五行（conv3_x）表示的是4个残差块，每个残差快包含两次相同的卷积：使用128个大小为3*3的卷积核进行卷积。
- 第六行、第七行类似前面。
- 第八行为均值池化，从而得到一个1000d的结果，在经过全连接层以及softmax激活函数得到 1*1的输出。
虚线和直线的区别
在第一张图中有些是虚线，而有些是直线，区别大概有一下几点：
简单来说就是，一个残差块对应的输入shape和输出shape相同，则用实现，否则用虚线。如果输入和输出的shape相同，则在计算的过程中可以直接将输入数据和输出结果相加，我们截取其中一个残差块：
在此图中，输入数据的shape为：[56 * 56* 64]，而输出数据为：[28*28*64]
在此图中，输入数据的shape为：[56 * 56* 64]，而输出数据为：[28*28*128]，因此，需要将虚线的输出结果输入到前面实现的残差块中，才能最终得到和输入数据相同的shape，从而将输入和输出相加。
在上图中，主分支的stride为2，即可让输入的长宽为[56 * 56* 64]变为[28*28*128]，而捷径分支（右侧）的stride为2，也可让输入的长宽为[56 * 56* 64]变为[28*28*128]，从而保证主分支执行完两次卷积后再与捷径分支进行相加操作。
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
