图片分类，图像识别，目标检测

import torch.nn as nn
import math
import torch.utils.model_zoo as model_zoo

class Bottleneck（nn.Module）:           #预定义网络架构并定义前向传播
	expansion = 4      #expansion是指残差块输出维度是输入维度的多少倍。在ResNet类中的_make_layer函数中会用到
	def __init__（selfin_planesplanesstride=1downsample=None）：  #初始化并继承nn.Module中的一些属性。in_planes指输入的通道数，planes指输出的通道数，步长默认为1，下采样函数默认为空（即默认不需要下采样）
		super（Bottleneckself）.__init__（）  #定义nn.Module的子类Bottleneck。并在下面给出新的属性
		self.conv1 = nn.Conv2d（in_planesplaneskernel_size=1bias=False）
		self.bn1 = nn.BatchNorm2d（planes）  #归一化处理
		self.conv2 = nn.Conv2d（in_planesplaneskernel_size=3stride=stridepadding=1bias=False）  #stride默认为1，但可更改
		self.bn2 = nn.BatchNorm2d（planes）
		self.conv3 = nn.Conv2d（in_planesplanes*4kernel_size=1bias=False）  #第三次卷积输出纬度为上一层的四倍
		self.bn3 = nn.BatchNorm（planes*4）
		self.relu = nn.ReLU（inplace=True）
		self.downsample = downsample
		self.stride=stride

	def forwar（selfx）：			 #前向传播
		residual = x         

 		out = self.conv1（x）
		out = self.bn1（out）
		
		out = self.conv2（out）
		out = self.bn2（out）
		
		out = self.conv3（out）
		out = self.bn3（out）

		if self.downsample is not None:   #	用来处理H（x） = F（x） + x中 F（x）和x维度（高、宽、通道数）不匹配的问题
			self.downsample = downsample（x）

	 	out += residual
	 	out = self.relu（out）

		return out


class ResNet（nn.Module）:
	def __init__（selfblocklayersnum_classes=1000）:  #block即为Bottleneck模型，layers可控制传入的Bottleneck
		selfinplanes = 64   #初始输入通道数为64
		super（ResNetself）.__init__（）   #可见ResNet也是nn.Module的子类
		self.conv1 = nn.Conv2d（364kernel_size = 7stride = 2padding = 3bias = False）
		self.bn1 = nn.BatchNorm2d（64）
		self.relu = nn.ReLU（inplace = True）
		self.maxpool = nn.MaxPool2d（kernel_size = 3stride = 2padding = 1）
		self.layer1 = self._make_layer（block64layers[0]）   #	四层残差块64为这一层输入的通道数layer[0]表示有几个残差块
		self.layer2 = self._make_layer（block128layers[1]stride = 2）   
		self.layer3 = self._make_layer（block256layers[2]stride = 2）
		self.layer4 = self._make_layer（block512layers[3]