Rsenet18

layer1

ResNet 18 ，使用的是 BasicBlock。layer1，特点是没有进行降采样，卷积层的 stride = 1，不会降采样。因此图片大小没有变化，通道数也都是64没有变化。**在进行 shortcut 连接时，也没有经过 downsample 层。（因为此时的X跟经过layer1后的图片大小和维度都是一样的，所以不需要进行downsample层）
**

layer2，layer3，layer4

而 layer2，layer3，layer4 的结构图如下，每个 layer 包含 2 个 BasicBlock，但是第 1 个 BasicBlock 的第 1 个卷积层的 stride = 2，会进行降采样。在进行 shortcut 连接时，会经过 downsample 层，要进行降采样和升维。降采样是使图片维度一样，因此此时经过layer层图像大小减半了，通道数从原来的64变为128，因此也要升维。

Rsenet50

改变通道数和改变图片大小。具体是建立 downsample 层，包括 conv1x1 -> norm_layer。
即在shortcut跳接的时候进行downsample子采样层

pytorch resnet 152 模型参数数据

pth 3星 超过45%的资源 230.34MB

下载

layer1

在 layer1 中，首先第一个 Bottleneck 只会进行升维，不会降采样。即图片大小不变，通道数增加，shortcut 连接前，会经过 downsample 层升维处理。第二个 Bottleneck 的 shortcut 连接不会经过 downsample 层。

layer2，layer3，layer4

而 layer2，layer3，layer4 的结构图如下，每个 layer 包含多个 Bottleneck，但是第 1 个 Bottleneck 的 卷积层的 stride = 2，会进行降采样。在进行 shortcut 连接时，会经过 downsample 层，进行降采样和升维。

BasicBlock

定义第 1 组 conv3x3 -> norm_layer -> relu，这里使用传入的 stride 和 inplanes。（如果是 layer2 ，layer3 ，layer4 里的第一个 BasicBlock，那么 stride=2，这里会降采样和改变通道数）

定义第 2 组 conv3x3 -> norm_layer -> relu，这里不使用传入的 stride （默认为 1），输入通道数和输出通道数使用planes，也就是不需要降采样和改变通道数。

Bottleneck

定义第 1 组 conv1x1 -> norm_layer，这里不使用传入的 stride，使用 width，作用是进行降维，减少通道数。
定义第 2 组 conv3x3 -> norm_layer，这里使用传入的 stride，输入通道数和输出通道数使用width。（如果是 layer2 ，layer3 ，layer4 里的第一个 Bottleneck，那么 stride=2，这里会降采样）。
定义第 3 组 conv1x1 -> norm_layer，这里不使用传入的 stride，使用 planes * self.expansion，作用是进行升维，增加通道数。