残差神经网络pytorch代码

在PyTorch中，可以使用torch.nn.Module类来实现残差神经网络。以下是一个基本的残差块的代码示例：

import torch
import torch.nn as nn

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.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(out_channels)

        # 如果输入通道数与输出通道数不相等，则使用1x1的卷积进行下采样
        self.downsample = None
        if stride != 1 or in_channels != out_channels:
            self.downsample = nn.Sequential(
                nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=stride, bias=False),
                nn.BatchNorm2d(out_channels)
            )

    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)

        # 如果存在downsample，则对输入进行下采样
        if self.downsample is not None:
            identity = self.downsample(x)

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

        return out

此代码定义了一个名为ResidualBlock的残差块类，该类包含两个卷积层和批标准化层。在forward函数中，输入通过两个卷积层和批标准化层进行处理，并与输入进行残差连接。如果输入和输出的通道数不相等，则使用1x1卷积进行下采样，以确保可以相加。最后，通过ReLU激活函数来得到最终的输出结果。

请注意，这只是一个基本的残差块实现示例，你可以根据自己的需求进行修改和扩展。在实际使用中，通常会将多个残差块堆叠在一起形成残差神经网络。