resnet34总体结构图
时间: 2025-07-01 09:18:34 浏览: 12
### ResNet34 的总体结构图
ResNet(残差网络)是一种经典的深度学习卷积神经网络,其核心创新在于引入了 **残差连接**,使得深层网络的训练更加高效和稳定。ResNet34 是 ResNet 家族中的一个较浅版本,属于小型化的残差网络之一。
#### 基本组成单元
ResNet34 主要由多个基本的残差块(BasicBlock)堆叠而成。每个 BasicBlock 包含两个 3×3 卷积层以及一条恒等映射路径[^1]。对于某些特定情况下的维度不匹配,则会通过 1×1 卷积调整通道数来实现降维或升维操作[^2]。
以下是 ResNet34 的主要组成部分及其配置:
| 层名称 | 输出尺寸 | 卷积核大小 | 步幅 (stride) | 迭代次数 |
|----------------|---------------|----------------|--------------|----------|
| Conv1 | $H/2 \times W/2$ | $7\times7$, stride=2, padding=3 | 2 | 1 |
| MaxPool | $H/4 \times W/4$ | $3\times3$, stride=2 | 2 | 1 |
| Layer1(Basic) | $H/4 \times W/4$ | $3\times3$ | 1 | 3 |
| Layer2(Basic) | $H/8 \times W/8$ | $3\times3$ | 2 | 4 |
| Layer3(Basic) | $H/16 \times W/16$| $3\times3$ | 2 | 6 |
| Layer4(Basic) | $H/32 \times W/32$| $3\times3$ | 2 | 3 |
其中,`LayerX` 表示第 X 阶段的基本模块集合,每一阶段内的第一个残差块可能涉及步幅为 2 的下采样操作以减小特征图的空间分辨率[^2]。
#### 总体架构图描述
ResNet34 的整体架构可以分为以下几个部分:
1. 初始输入经过一次较大的卷积操作 (`Conv1`) 和最大池化 (`MaxPool`) 来提取低级特征并缩小图像空间尺寸。
2. 接下来依次进入四个不同的 `Layer`,每层包含若干个 BasicBlock 模块,逐步加深网络层次并增加抽象程度较高的语义信息。
3. 在最后的部分,全局平均池化层将特征图压缩成固定长度向量形式,随后接上全连接层完成类别预测任务。
由于 ResNet34 并未采用更复杂的 Bottleneck 设计模式而是单纯依赖于简单的两层卷积构成的基础组件,因此相比更深更大的变种如 ResNet50 或者 ResNet101 而言计算成本较低但依然保持良好的性能表现[^3]。
下面是基于以上说明绘制的一个简化版 ResNet34 架构示意图形表示方法:
```plaintext
Input -> Conv1 -> BN -> ReLU -> MaxPool ->
[BasicBlock]*3 -> [BasicBlock]*4 -> [BasicBlock]*6 -> [BasicBlock]*3 ->
GlobalAvgPool -> FC -> Output
```
如果需要查看具体的可视化图表资源链接可参考外部资料[^4]。
阅读全文
相关推荐


















