本文主要针对ResNet-50对深度残差网络进行一个理解和分析
ResNet已经被广泛运用于各种特征提取应用中，当深度学习网络层数越深时，理论上表达能力会更强，但是CNN网络达到一定的深度后，再加深，分类性能不会提高，而是会导致网络收敛更缓慢，准确率也随着降低，即使把数据集增大，解决过拟合的问题，分类性能和准确度也不会提高。Kaiming大神等人发现残差网络能够解决这一问题。这里首先放上一张ResNet的各种网络结构图（图1）：

重点说明一下ResNet-50，可以看到图1中所示，ResNet-50经过了4个Block，每一个Block中分别有3，4，6，3个Bottleneck，这里zyyupup给出了一张自己制作的网络图，我觉得这张图足够解释清楚ResNet-50（图2）：

【评论中很多朋友说画错了，这张图确实是有问题哈，我当初写这个博是为了帮助自己理解ResNet-50和卷积操作的，俺就不在图片作者zyyupup的基础上再改了，大家懂这个过程就行~】

现在来看一下这个网络图，

1. 首先输入的图片是3×224×224，也就是3个通道，图片尺寸为224×224；
2. 进入第一个卷积层，卷积核大小为7*7，卷积核个数为64，步长为2，padding为3；所以输出应该是（224-7+2×3）/2+1=112.5，向下取整得到112，所以输出是 64 ×112 ×112；
3. maxpool层会改变维度，但是不会影响个数

到此即将进入第一个实线方框中，图1中结构所示，第一个实线方框中本来应该有3个Bottleneck，图2作者只画出两个，其实每一个Bottleneck里面包含两种Block，第一种是Conv Block，一种是Identity Block。
首先说说Conv Block，也就是第一个实线方框中虚线连接的三层：

可以看到，总体的思路是先通过1×1的卷积对特征图像进行降维，做一次3×3的卷积操作，最后再通过1×1卷积恢复维度，后面跟着BN和ReLU层；虚线处用256个1×1的卷积网络，将maxpool的输出降维到255×56×56。
再说Identity Block，

也就是实线连接所示，不经过卷积网络降维，直接将输入加到最后的1×1卷积输出上。

经过后面的Block，经过平均池化和全连接，用softmax实现回归。

对卷积、特征图、通道等理解可以参考：
https://blog.csdn.net/weixin_43430243/article/details/89512069