resnet18残差块

ResNet18 是一种深度残差网络，其中的残差块是其核心组成部分。每个残差块由两个卷积层和一个跳跃连接组成。跳跃连接将输入直接添加到残差块的输出中，以便在训练期间更好地传播梯度并减轻梯度消失问题。

具体来说，ResNet18 的残差块包括以下几个步骤：
1. 输入通过一个卷积层进行卷积操作。
2. 将卷积层的输出传递给另一个卷积层进行卷积操作。
3. 将第二个卷积层的输出与输入相加，得到残差块的输出。

这个过程可以用以下代码表示：

class ResidualBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1):
        super(ResidualBlock, self).__init__()
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.stride = stride

    def forward(self, x):
        identity = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        out = self.conv2(out)
        out = self.bn2(out)

        if self.stride != 1 or identity.shape[1] != out.shape[1]:
            identity = nn.Conv2d(identity.shape[1], out.shape[1], kernel_size=1, stride=self.stride, bias=False)(identity)
            identity = nn.BatchNorm2d(out.shape[1])(identity)

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

        return out