ResNet18的18层表示加权的18层，包括卷积层和全部连接层，不包括池化层和BN层。
Resnet论文所示的结构图
参考ResNet详细解读
结构分析：
首先，在一楼的折叠中使用7777大小的模板，步长为2，填充为3。 然后与BN、ReLU进行最大池。 这些构成了第一部分卷积模块conv1。
还有四个stage。 代码中为make_layer ) )生成stage。 每个stage都有多个模块，每个模块称为构建块。 resnet 18=[ 2，2，2，2 ]，有8个构建块。 请注意，他有两种模块BasicBlock和Bottleneck。 resnet18和resnet34使用的是3358www.Sina.com/，resnet50或更高版本使用的是BasicBlock。 无论Bottleneck或BasicBlock模块如何，都使用了shortcut connection连接方法。
在Bottleneck架构中，主要使用两个3x3的卷积，进行BN，然后语句out =residual在输出上叠加输入xx。 (注意首先定义了residual=x ) ) ) ) ) )。
classbasicblock(nn.module ) :expansion=1def_init_ ) self，inplanes，planes，stride=1，down sample=self () stride(self.bn1=nn.batchnorm2d ) planes ) self.relu=nn.relu ) inplace=true ) self.conV2=conV3x3) planes， planes ) self.bn2=nn.batchnorm2d(planes ) self.down sample=down sample self.stride=stridedefforward (self， x ) : residual=xout=self.con v1 (x ) out=self.bn1 ) out ) out=self.relu ) out=self.conV2 ) out ) out out=residualout=self.relu ) out ) returnout3358www他首先通过1x1卷积将通道数量减少一半，3x3卷积保持通道数量不变，1x1卷积将通道数量增加4倍从总体上看，通过这个模块，频道数会翻倍。
classbottleneck(nn.module ) :expansion=4def_init_ ) self，inplanes，planes，stride=1，down sample=self () kernel_size=1，bias=False ) self.bn1 planes，kernel_size=3，stride=stride，padding=1，bias=False ) sell bias=false (self.bn3=nn.batch norm 2d ) planes*4) self.relu=nn.relu(inplace=true ) () ) ) ) self.down sample=down sample self.stride=stridedefforward (x ) : residual=xout=self.con v1 (x ) out=self.bn1 t=self.conV3(out ) out=self.bn3 ) out ) if self.downsampleisnotnone : residual=self.down sample (x ) out=relf=down
结构图和其他详细信息：
见3https://www.Jian Shu.com/p/085 F4 c 8256 f1
3359 blog.csdn.net/weixin _ 40548136/article/details/88820996
BasicBlock
Bottleneck