基于深度学习的农作物叶子病虫害检测python源码

conv1：这个部分是ResNet的起始卷积层。它接受输入图像的通道数为3（RGB图像），输出通道数为64，使用3x3的卷积核进行卷积操作，使用padding为1保持输入输出尺寸一致。然后通过批标准化（Batch Normalization）和ReLU激活函数进行处理。
conv2：这一部分是第一个卷积块。它接收输入通道数为64，输出通道数为128。同样使用3x3的卷积核进行卷积操作，padding为1，然后经过批标准化和ReLU激活函数的处理。此外，还包括一个最大池化层（MaxPool2d）来降低特征图的尺寸，使用4x4的池化窗口进行降采样，步长与窗口大小相同。
res1：这是第一个残差块。它包含两个子块，每个子块都有两个卷积层。每个子块的输入通道数和输出通道数都为128。每个卷积层使用3x3的卷积核进行卷积操作，padding为1，然后经过批标准化和ReLU激活函数的处理。两个子块的输出与输入相加，这样可以学习到残差信息。
conv3：这是第二个卷积块。它接收输入通道数为128，输出通道数为256。同样使用3x3的卷积核进行卷积操作，padding为1，然后经过批标准化和ReLU激活函数的处理。再次使用最大池化层来降低特征图的尺寸。
conv4：这是第三个卷积块，与conv3类似，只是输入通道数为256，输出通道数为512。同样使用3x3的卷积核进行卷积操作，padding为1，然后经过批标准化和ReLU激活函数的处理。再次使用最大池化层来降低特征图的尺寸。
res2：这是第二个残差块，与res1类似，包含两个子块，每个子块都有两个卷积层。每个子块的输入通道数和输出通道数都为512。每个卷积层使用3x3的卷积核进行卷积操作，padding为1，然后经过批标准化和ReLU激活函数的处理。两个子块的输出与输入相加。
classifier：这是分类器部分。它包含一个最大池化层，使用4x4的池化窗口进行降采样。然后通过展平操作（Flatten）将特征图转换成一维向量。最后，使用一个全连接层（Linear）将输入映射到输出类别的数量，即512个输入特征对应38个输出类别。