class Generator(nn.Module): def __init__(self, n_residual_blocks, upsample_factor): super(Generator, self).__init__() self.n_residual_blocks = n_residual_blocks self.upsample_factor = upsample_factor self.conv1 = nn.Conv2d(3, 64, 9, stride=1, padding=4) for i in range(self.n_residual_blocks): self.add_module('residual_block' + str(i+1), residualBlock()) self.conv2 = nn.Conv2d(64, 64, 3, stride=1, padding=1) self.bn2 = nn.BatchNorm2d(64) for i in range(self.upsample_factor/2): self.add_module('upsample' + str(i+1), upsampleBlock(64, 256)) self.conv3 = nn.Conv2d(64, 3, 9, stride=1, padding=4) def forward(self, x): x = swish(self.conv1(x)) y = x.clone() for i in range(self.n_residual_blocks): y = self.__getattr__('residual_block' + str(i+1))(y) x = self.bn2(self.conv2(y)) + x for i in range(self.upsample_factor/2): x = self.__getattr__('upsample' + str(i+1))(x) return self.conv3(x)

这是一个生成器模型的代码，用于图像超分辨率重建任务。该模型使用了残差块和上采样块来增加分辨率。

在初始化函数中，我们定义了模型的结构。首先是一个卷积层（conv1），将输入通道数为3的图像进行卷积操作。然后使用循环为模型添加了n_residual_blocks个残差块（residualBlock）。接着是第二个卷积层（conv2），再加上批归一化层（bn2）。随后，使用循环为模型添加了upsample_factor/2个上采样块（upsampleBlock）。最后，通过卷积层（conv3）生成输出图像。

在前向传播函数中，我们首先对输入图像进行卷积操作，并使用Swish激活函数。然后，将输入图像克隆给变量y，并通过循环使用残差块对y进行处理。接着，将y与经过卷积和批归一化操作的x相加得到新的x。最后，通过循环使用上采样块对x进行处理，并返回通过卷积操作生成的输出图像。