MBConv 模块是做什么的，全称是什么，怎样用代码实现

MBConv，即Mobile Inverted Bottleneck Convolution，是MobileNet V2网络架构中的一种关键模块。它是由Inception模块演变而来的，设计目的是为了减少计算量和内存占用，同时保持较高的模型性能。MBConv结合了深度可分离卷积（Depthwise Separable Convolution）和点卷积（Pointwise Convolution），以及扩张卷积（Expansion Convolution）的概念。

MBConv的基本结构包括以下几个步骤：
1. 扩展层（Expansion）：通过1x1卷积将输入特征图通道数扩增，提升表达能力。
2. 深度可分离卷积（Depthwise Convolution）：对每个通道分别应用一个1x1的卷积，然后相加，实现了空间信息的处理。
3. 点卷积（Pointwise Convolution）：最后是一个1x1卷积，用于融合之前扩增后的特征。

在PyTorch中实现MBConv的一个简要示例：

import torch.nn as nn

class MBConvBlock(nn.Module):
    def __init__(self, in_channels, out_channels, kernel_size=3, stride=1, expansion=6):
        super(MBConvBlock, self).__init__()
        expanded_channels = int(in_channels * expansion)
        
        # 扩展层
        self.expansion_layer = nn.Conv2d(in_channels, expanded_channels, 1, bias=False)
        
        # 深度可分离卷积
        self.depthwise_conv = nn.Conv2d(expanded_channels, expanded_channels, kernel_size, stride=stride, padding=(kernel_size//2), groups=expanded_channels, bias=False)
        
        # 点卷积
        self.pointwise_conv = nn.Conv2d(expanded_channels, out_channels, 1, bias=False)
        
        self.bn = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)

    def forward(self, x):
        x = self.expansion_layer(x)
        x = self.bn(x)
        x = self.relu(x)
        x = self.depthwise_conv(x)
        x = self.bn(x)
        x = self.relu(x)
        x = self.pointwise_conv(x)
        return self.bn(x)