ResNet 편집하기 (부분)

==주요 버전==
ResNet은 층의 수(depth)에 따라 다양한 버전으로 구성된다. 각 버전은 기본적으로 동일한 아이디어(잔차 학습)를 유지하지만, 블록의 종류, 반복 횟수, 채널 수, 계산량 등이 다르게 설계되어 있다.
*'''ResNet-18'''
**18개의 가중치 층으로 구성된 비교적 얕은 모델
**'''기본 블록(Basic Block)'''을 사용하며, 각 블록은 3×3 합성곱 2개로 이루어짐
**계산량이 적고, 소형 모델이나 임베디드 환경에서 자주 사용됨
**ImageNet 기준으로 약 11M 파라미터를 가짐

*'''ResNet-34'''
**ResNet-18보다 깊지만 동일한 기본 블록 구조를 유지
**각 스테이지(conv2_x~conv5_x)의 블록 수가 늘어나 더 풍부한 표현 가능
**학습 안정성을 유지하면서도 정확도를 개선한 중간 규모 모델

*'''ResNet-50'''
**'''병목 블록(Bottleneck Block)''' 구조를 처음 도입한 대표 모델
**각 블록이 1×1 → 3×3 → 1×1 합성곱으로 구성되어, 연산량 대비 표현력이 높음
**채널 수가 64→256, 128→512, 256→1024, 512→2048로 점진적으로 증가
**ImageNet 분류 기준으로 약 25M 파라미터를 가지며, 실무에서 가장 널리 사용됨

*'''ResNet-101'''
**ResNet-50보다 conv4_x 스테이지의 병목 블록 수를 크게 늘려 깊이를 확장
**더 풍부한 특징 추출이 가능하며, 고해상도 이미지나 세밀한 분류 작업에서 우수
**연산량은 늘어나지만, 전이 학습(Transfer Learning) 용도로 자주 활용됨
**약 44M 파라미터 규모

*'''ResNet-152'''
**가장 깊은 버전 중 하나로, 152개의 층으로 구성
**conv4_x 스테이지가 매우 깊으며, 학습에는 많은 계산 자원이 필요
**매우 정밀한 표현을 요구하는 연구나 대형 데이터셋에서 주로 사용
**약 60M 파라미터를 가지며, 학습 효율보다 정확도에 중점을 둔 설계
이처럼 ResNet의 각 버전은 단순히 층 수만 다른 것이 아니라, '''블록의 형태, 채널 구성, 계산 효율, 성능 균형을 실험적으로 조정한 휴리스틱 설계 결과'''이다.