构建resnet的基本单元（basicblock）如下图所示，可以看到，输入张量input在基本单元中会经过两个通路，一个通路由两个卷积层构成，另一个通路是跳接。
resnet的整体结构可以参考 resnet34，可以看到resnet34也是由上述basicblock串联得到，需要注意的是：
(1) 在某些basicblock中，第一个卷积层会对input做shape上的变换，即对输入图片的长宽减一半、通道加一倍
(2) 如果input在卷积层发生了shape上的变换，则对应的跳接线也需要将input进行shape上的变换（通过大小为（1,1）的卷积核）
(3) 在所有basicblock中，第二个卷积层相对第一个卷积层不对数据做shape上的变换
(4) 在所有basicblock中，卷积核的大小保持(3,3)不变，改变图片长宽依靠的是卷积步长
接下来先来用tensorflow搭建一个basicblock类，这个类通过它的参数stride来判定跳接线是“实线”还是“虚线”。实例化basicblock类时只需指定卷积网络的三个基本要素—— 卷积核大小、卷积核数量、卷积步长，即可得到一个basicblock对象。下面的代码构建了BasicBlock类，并使用BasicBlock搭建了一个简单的resnet
import numpy as np
import tensorflow as tf
from tensorflow.keras import Model, layers
from tensorflow.keras.callbacks import TensorBoard
class BasicBlock(Model):
def __init__(self, filter_num, stride=1, filter_size=(3,3)):
super(BasicBlock,self).__init__()
# 卷积通路
self.conv1 = layers.Conv2D(filters=filter_num, kernel_size=filter_size, strides=(stride,stride), padding='same')
self.relu = layers.Activation('relu')
self.conv2 = layers.Conv2D(filters=filter_num, kernel_size=filter_size, strides=(1,1), padding='same')
# 跳接线
if stride == 1:
self.sortcut = lambda x: x
else:
self.sortcut = layers.Conv2D(filters=filter_num, kernel_size=(1,1), strides=(stride,stride), padding='same')
def call(self, inputs):
out = self.conv1(inputs)
out = self.relu(out)
out = self.conv2(out)
identity = self.sortcut(inputs)
out = layers.add([out,identity])
return out
# 用BasicBlock搭建一个简单的网络
inputs = layers.Input(shape=(28,28,3))
out = BasicBlock(filter_num=8, stride=2).call(inputs)
out = BasicBlock(filter_num=8, stride=1).call(out)
out = BasicBlock(filter_num=8, stride=1).call(out)
out = BasicBlock(filter_num=16, stride=2).call(out)
out = BasicBlock(filter_num=16, stride=1).call(out)
out = BasicBlock(filter_num=16, stride=1).call(out)
out = layers.Flatten()(out)
out = layers.Dense(1)(out)
model = Model(inputs=inputs, outputs=out)
model.compile(optimizer='adam',loss='mse')
Tensorboard = TensorBoard(log_dir='.\logs', histogram_freq=1)
x = np.random.rand(100,28,28,3)
y = np.random.rand(100,1)
model.fit(x,y,epochs=100,callbacks=[Tensorboard],verbose=2)
截取该resnet中的两个BasicBlock，如下图所示
