需要的第三方库：
pytorch、matplotlib、json、os、tqdm
一、model.py的编写
参照ResNet网络结构进行构建（如下图），其中18层和34层每层主分支采用的卷积核个数与本层最后采用的卷积核个数相等，可共用同一个类进行编写；50、101、152层最后采用的卷积核个数为每层主分支采用的卷积核个数的4倍，共用另一个类进行编写
（1）18层/34层残差结构的编写
先定义一个expansion=1，对应上面说到的主干channel与输出channel相等，再定义初始化函数，设置以下几个参数：in_channel对应输入特征矩阵的深度，out_channel对应输出特征矩阵的深度，步长默认为1，下采样参数默认为None，对应虚线的残差结构（即conv3至conv5层开始时起降维作用残差结构）
再按照上图中网络结构图定义卷积层、激活函数、Batch Normalization层，注意其中卷积层的偏置需设定为False
接下来定义正向传播过程，首先将特征矩阵传入，并赋给identity，对应捷径的输出值，再判断是否使用下采样函数，再按照结构图，让x依次经过之前定义的各种层，得到主干的输出，最后与捷径输出相加，再经过激活，得到最后输出
（2）50层/101层/152层残差结构的编写
首先定义expansion=4，对应上述主干卷积核个数的4倍关系，再定义初始化函数，其内容与18层/34层基本一致，其中width实为out_channel，inplace=True的作用是对传递来的tensor进行覆盖式的修改，其余定义与18层/34层相同，不多赘述
接着是正向传播过程，基本与18层/34层一致
（3）ResNet类的定义
初始化函数的编写
参数设置有：
block——对应上面写好的残差结构；blocks_num——一个列表，用于存放每层有多少个残差结构；
关键字参数设有：num_classes=1000,groups=1,width_per_group=64
然后开始定义一个完整的resnet网络的层结构，从一开始的conv1、maxpool，到中间的conv2到conv5，再到最后的平均池化和全连接；然后对卷积层进行初始化（_make_layer函数定义详情在下面）
残差结构生成函数（_make_layer函数）的编写
参数设置：
block——对应上面写好的残差结构；channel——对应第一层残差结构卷积核个数；block_num——该层残差结构个数
然后对下采样函数进行定义，判断条件只有conv3到conv5可以通过，即下采样函数不对conv2生效，然后定义一个layers用于存放一个conv下的残差结构，在利用循环，将对应个数的残差结构放入其中，最后返回打包的结构
正向传播过程
将初始化函数中定义好的各结构按resnet结构图的顺序依次写即可，注意进行全连接之前要先进行展平
（4）各种ResNet的定义
列表即各种resnet的conv2到conv5对应的残差结构个数
二、train.py的编写
大部分代码与vgg网络相同，下面只讲述不同的方面
（1）数据预处理
标准化处理时使用的参数来自于官网，与vgg不同；对验证集的处理也不同，是先通过resize将最小边缩放到256（原图片的长宽比不动），再通过中心裁剪裁剪出224*224的图片
（2）模型实例化及损失函数和优化器
其余部分与vgg网络一致
三、predict.py的编写
数据预处理部分需要与train.py一致（如下图），其余部分与vgg网络一致
效果展示
