class InvertedResidual(nn.Cell): def init(self, inp, oup, stride, expand_ratio): super(InvertedResidual, self).init() assert stride in [1, 2] hidden_dim = int(round(inp * expand_ratio)) self.use_res_connect = stride == 1 and inp == oup layers = [] if expand_ratio != 1: layers.append(ConvBNReLU(inp, hidden_dim, kernel_size=1)) layers.extend([ dw ConvBNReLU(hidden_dim, hidden_dim, stride=stride, groups=hidden_dim), pw-linear nn.Conv2d(hidden_dim, oup, kernel_size=1, stride=1, has_bias=False), nn.BatchNorm2d(oup), ]) self.conv = nn.SequentialCell(layers) self.add = ops.Add() self.cast = ops.Cast() def construct(self, x): identity = x x = self.conv(x) if self.use_res_connect: return self.add(identity, x) return x

这段代码是一个定义了反向残差模块（InResidual）的类。这个模块深度学习的卷积神经网络常用于增加网络的深度和线性表示能力。在该类中构造函数（__init__）接受输入通道数（inp）、输出通道数（oup）、步长（stride）和扩展比例（expand_ratio）作为参数。

在构造函数中，首先进行了一些参数的检查和计算。然后根据是否需要进行残差连接来选择不同网络层。如果步长为1且输入通道数等于输出通道数，则使用残差连接（residual connection）。否则，采用分组卷积（depthwise convolution）和逐点卷积（pointwise convolution）来构建网络层。

在前向传播函数（construct）中，首先保存输入张量作为身份张量（identity），然后通过网络层进行前向传播得到输出张量（x）。最后，根据是否需要进行残差连接，返回相应的结果。

这段代码是使用PyTorch框架编写的，用于定义反向残差模块的类。它可以用于构建深度学习模型中的残差连接部分。