目录
1.概述
通过tensorflow实现ResNet，需要先定义最小模块basic_block，在其中实现最基本的ResNet前向传播以及短接功能；之后定义ResNet模块，通过堆叠不同个数的basic_block，并拼接到一起，实现ResNet的功能实现。
2.Basic_Block
① __init__
在这里面定义好需要使用的层。
根据ResNet的原理，流程如下：卷积层--BatchNormalize--relu--卷积层--BatchNormalize，之后将输出与输入element-wise相加。
因此需要定义卷积层1、标准化层1、RELU层、卷积层2、标准化层2
还需要定义一个方法，在输出与输出维度不等的时候，把输入变成和输出相等的维度。
②call
在这里按照流程调用上面定义的层即可。
在最后输入输出相加。
3.Resnet
①build_block
定义类中的方法，用来搭建我们需要的ResNet模块。
搭建模块需要调用上面的BasicBlock, 模块的数量可以由我们自定义，因此作为变量输入。
第一个模块，可以进行图片大小的改变，比如[2,32,32,3] -->[2,16,16,64]，大小变成了16*16。
之后的模块，大小不变，因此stride参数固定为1。
BasicBlock中的通道数量我们自己定义，因此也作为变量输入。
②__init__
这里面定义需要使用的层。
首先需要对数据初始化，将输入的数据先进行一次卷积+标准化+非线性+池化，变成通道数为64的数据（这个64也是自己定的），对应好了通道数，后面就可以根据通道数定义网络的层了。
输入的层的维度如果是[2,2,2,2]，就相当于搭建4个残差网络层，其中每一个层中间有2个基本模块。
最后一个层输出后，图片的长宽我们并不知道，因此通过GlobalAveragePooling2D层来得到。
最后定义一个线性层，转为最终的预测的维度。这里我设为了100维。
③call
根据上面的流程依次调用层即可。
当设置好了以后，直接输入层的维度，即可实现ResNet18，ResNet34等：
