为以下每句代码做注释：class Bottleneck(nn.Module): expansion = 4 def init(self, in_channel, out_channel, stride=1, downsample=None): super(Bottleneck, self).init() self.conv1 = nn.Conv2d(in_channels=in_channel, out_channels=out_channel, kernel_size=1, stride=1, bias=False) # squeeze channels self.bn1 = nn.BatchNorm2d(out_channel) self.conv2 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel, kernel_size=3, stride=stride, bias=False, padding=1) self.bn2 = nn.BatchNorm2d(out_channel) self.conv3 = nn.Conv2d(in_channels=out_channel, out_channels=out_channel * self.expansion, kernel_size=1, stride=1, bias=False) # unsqueeze channels self.bn3 = nn.BatchNorm2d(out_channel * self.expansion) self.relu = nn.ReLU(inplace=True) self.downsample = downsample def forward(self, x): identity = x if self.downsample is not None: identity = self.downsample(x) out = self.conv1(x) out = self.bn1(out) out = self.relu(out) out = self.conv2(out) out = self.bn2(out) out = self.relu(out) out = self.conv3(out) out = self.bn3(out) out += identity out = self.relu(out) return out

这段代码定义了一个名为Bottleneck的类，继承自nn.Module类。该类的作用是搭建一个ResNet中的Bottleneck块，用于深度卷积神经网络。

expansion = 4 表示Bottleneck块中输出通道数是输入通道数的4倍。

init函数是Bottleneck类的初始化函数，用于定义Bottleneck块的结构。其中，in_channel表示输入通道数，out_channel表示输出通道数，stride表示步长，downsample用于降采样。

在init函数中，首先调用了super(Bottleneck, self).init()来继承nn.Module类的初始化函数。

然后，定义了三个卷积层和三个批归一化层，并使用ReLU激活函数进行激活。

在forward函数中，先将输入的x保存为identity，如果downsample不为空，则对x进行降采样并保存为identity。

接着，将x通过第一个卷积层、批归一化层和ReLU激活函数进行处理，得到out。

然后，将out继续通过第二个卷积层、批归一化层和ReLU激活函数进行处理，得到out。

最后，将out通过第三个卷积层、批归一化层和ReLU激活函数进行处理，得到out。然后将identity加到out上，并再次使用ReLU激活函数进行激活，最终返回out。