Day50

ResNet18是一种深度残差网络，核心特点是通过“残差连接”解决深层网络训练难的问题，结构简洁，以下是解释：

核心：残差块（Residual Block）

可以理解为网络的“基本积木”，每个残差块包含：

• 两层卷积（3x3大小，比如先压缩通道数，再恢复）

• 一个“跳跃连接”：把输入直接加到两层卷积的输出上（像给网络“抄近道”）

这样设计的好处：避免深层网络“学不到东西”，让网络更关注“输入和输出的差异”（残差），训练更高效。

整体结构（共18层卷积）

1. 初始层：

◦ 1个7x7大卷积（压缩图片尺寸，提取基础特征）

◦ 1个3x3最大池化（进一步缩小图片）

2. 残差块堆叠（4组）：

◦ 第1组：2个残差块（共4层卷积）

◦ 第2组：2个残差块（共4层卷积）

◦ 第3组：2个残差块（共4层卷积）

◦ 第4组：2个残差块（共4层卷积）
每组的残差块会逐步增加输出通道数，让特征更丰富

3. 收尾层：

◦ 全局平均池化（把特征压缩成固定长度）

◦ 全连接层（输出分类结果，比如识别图片是猫还是狗）

简单说，ResNet18就像用8个“残差块积木”（每个含2层卷积）搭起来的网络，加上开头和结尾的处理层，总共18层卷积，靠“抄近道”的残差连接实现了深层网络的有效训练。

@浙大疏锦行