ResNet

1. Resnet比较

  ResNet获得2015年ImageNet比赛的冠军。不同层数的ResNet如下表：

2. 结构分析

2. 1 层数计算

  和VGG一样，ResNet名字中的层数只包含卷积层和全连接层，不包含BN层、激活函数层、池化层、跳跃连接中的卷积，所以Resnet-N有$N-1$个卷积层和1个全连接层。ResNet和VGG一样有5个卷积块。以Resnet-18为例：

卷积块1(conv 1)	卷积块2(conv 2_x)	卷积块3(conv 3_x)	卷积块4(conv 4_x)	卷积块5(conv 5_x)	全连接层
1个7×7×64的卷积层	2×2个3×3×64的卷积层	2×2个3×3×128的卷积层	2×2个3×3×256的卷积层	2×2个3×3×512的卷积层	1

  所以，ResNet-N的N的来源是：

Resnet-18	Resnet-34	Resnet-50	Resnet-101	Resnet-152
1+(2+2+2+2)×2+1=18	1+(3+4+6+3)×2+1=34	1+(3+4+6+3)×3+1=50	1+(3+4+23+3)×3+1=101	1+(3+8+36+3)×3+1=152

2.2 维度变化

  卷积层操作分为5个卷积块：$conv1$、$conv2\_x$、$conv3\_x$、$conv4\_x$、$conv5\_x$。每一个卷积块使特征的边长缩小$\frac{1}{2}$，所以边长共缩小$\frac{1}{32}$：原始输入图像尺寸是$224\times 224\times 3$，卷积输出是$7\times 7\times 512$。

3. 网络结构图

$$图1.Resnet-18和Resnet-50网络结构$$

4. Resnet v2

[参考]