1. ResNet系列网络概述
2015年,微软研究院提出的ResNet(Residual Neural Network)彻底改变了深度神经网络的设计范式。这个获得ImageNet竞赛冠军的架构,通过引入残差连接(Residual Connection)解决了深层网络训练中的梯度消失问题。其核心创新在于允许网络学习"残差映射"而非直接映射,使得信息能够跨层传播。
ResNet家族包含多个变体,从浅层的ResNet-18到极深的ResNet-152,数字后缀代表网络层数。其中ResNet-18和ResNet-34作为轻量级代表,在计算资源有限但需要较高精度的场景(如移动端视觉应用、嵌入式设备)中应用广泛。理解二者的差异对模型选型至关重要。
关键认知:残差块(Residual Block)是ResNet的基础构建单元,包含两个3×3卷积层和跨层连接。当输入输出维度不匹配时,通过1×1卷积调整通道数(称为projection shortcut)。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 网络结构深度解析
2.1 层数配置对比
ResNet-18和ResNet-34的架构遵循相同的模块化设计原则,均由初始卷积层、四个阶段(stage)的残差块、全局平均池化和全连接层组成。二者的核心差异在于每个阶段包含的残差块数量:
| 网络阶段 | ResNet-18块数量 | ResNet-34块数量 |
|---|---|---|
| conv2_x | 2 | 3 |
| conv3_x | 2 | 4 |
| conv4_x | 2 | 6 |
| conv5_x | 2 | 3 |
| 总层数 | 18 | 34 |
这种阶梯式增长设计使得深层特征提取能力随网络深度逐步增强。ResNet-34在conv3_x和conv4_x阶段显著增加了块数,这两个阶段负责中级和高级特征学习,对复杂模式识别至关
