一. 残差块与残差层
简单来说，残差块是构成残差层的基本单元，而残差层则是由多个残差块组成的。在ResNet中，通常会堆叠多个残差层来构建深度模型。
(一).残差块（Residual Block）
这是ResNet的基本构建单元。一个残差块通常包含两个或三个卷积层（加上激活函数和批量归一化），然后将这个卷积操作的输出与输入直接相加。这种设计可以帮助解决深度神经网络训练过程中的梯度消失问题。
class Bottleneck(nn.Module):#这个类实现了一个残差块（Residual Block），这是典型的ResNet的"Bottleneck"设计。expansion = 4#表示输出特征图的通道数是输入特征图的通道数的4倍。def __init__(self, inplanes, planes, stride=1, downsample=None):super(Bottleneck, self).__init__()self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)self.bn1 = nn.BatchNorm2d(planes)self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,padding=1, bias=False)self.bn2 = nn.BatchNorm2d(planes)self.conv3 = nn.Conv2d(planes, planes * 4, kernel_size=1, bias=False)self.bn3 = nn.BatchNorm2d(planes * 4)self.relu = nn.ReLU(inplace=True)self.downsample = downsampleself.stride = stride#stride步长def forward(self, x):residual = x#目的是保存输入x的原始值，以便在后面的计算中与卷积层的输出相加。out = self.conv1(x)out = self.bn1(out)out = self.relu(out)out = self.conv2(out)out = self.bn2(out)out = self.relu(out)out = self.conv3(out)out = self.bn3(out)if self.downsample is not None:residual = self.downsample(x)out += residualout = self.relu(out)return out在ResNet（残差网络）的设计中，self.downsample通常是一个卷积层，用于改变输入数据的维度（例如，改变通道数或者空间尺寸），以便与主路径上卷积层的输出匹配。
如果self.downsample被定义了（即self.downsample is not None），那么输入数据x会通过self.downsample处理，然后作为残差连接添加到主路径上卷积层的输出上。这样，即使主路径上的卷积层改变了数据的维度，也能保证残差连接的输入和输出的维度是匹配的，从而可以进行相加。
(二).残差层（Residual Layer）
这是由多个残差块串联组成的。在一个残差层中，输入数据首先通过一个残差块，然后输出被用作下一个残差块的输入，以此类推。每个残差层的输出通道数通常是固定的，但是可以通过调整残差块中卷积层的滤波器数量来改变。
def _make_layer(self, block, planes, blocks, stride=1):downsample = Noneif stride != 1 or self.inplanes != planes * block.expansion:downsample = nn.Sequential(nn.Conv2d(self.inplanes, planes * block.expansion,kernel_size=1, stride=stride, bias=False),nn.BatchNorm2d(planes * block.expansion),)layers = []layers.append(block(self.inplanes, planes, stride, downsample))self.inplanes = planes * block.expansionfor i in range(1, blocks):layers.append(block(self.inplanes, planes))return nn.Sequential(*layers)
在ResNet（残差网络）的设计中，每个残差层（Residual Layer）由多个残差块（Residual Block）组成。在每个残差层中，第一个残差块可能会改变输入的通道数和空间尺寸（宽度和高度），但是剩余的残差块都会保持通道数和空间尺寸不变。
在PyTorch中，nn.Sequential 是一个容器模块，它包含了一系列子模块，这些子模块按照它们在构造函数中被传入的顺序进行排列。当 nn.Sequential 的 forward 方法被调用时，这些子模块会按照它们的排列顺序依次执行。
二.加载预训练模型参数
def load_param(self, model_path):param_dict = torch.load(model_path)for i in param_dict:if 'fc' in i:continueself.state_dict()[i].copy_(param_dict[i])-
param_dict = torch.load(model_path)：使用 PyTorch 的torch.load()函数从指定的文件中加载模型参数。这些参数被保存在一个字典中，字典的键是参数的名称，值是参数的值。 -
for i in param_dict:：遍历加载的参数字典。 -
if 'fc' in i: continue：如果当前参数的名称中包含 'fc'，则跳过这个参数。这通常用于在加载参数时跳过全连接层（Fully Connected layer，简称fc）的参数。 -
self.state_dict()[i].copy_(param_dict[i])：将加载的参数复制到当前模型的对应参数中。self.state_dict()是获取当前模型的参数字典，[i]是获取对应的参数，copy_函数是将加载的参数复制到当前参数中。
)