pytorch框架的残差结构的python代码

以下是 PyTorch 框架的残差结构的 Python 代码实现，仅供参考：

import torch.nn as nn

class ResidualBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1):
        super(ResidualBlock, self).__init__()
        # 定义卷积层1
        self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3,
                               stride=stride, padding=1, bias=False)
        self.bn1 = nn.BatchNorm2d(out_channels)

        # 定义卷积层2
        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同，则需要进行卷积操作
        self.downsample = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=stride, bias=False),
            nn.BatchNorm2d(out_channels)
        ) if stride != 1 or in_channels != out_channels else None

    def forward(self, x):
        identity = x
        # 定义卷积块的前向传播
        out = self.conv1(x)
        out = self.bn1(out)
        out = nn.ReLU()(out)

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

        # 如果输入通道数与输出通道数不同，则需要进行卷积操作
        if self.downsample is not None:
            identity = self.downsample(x)
        
        # 将残差与输入相加，并进行 ReLU 激活
        out += identity
        out = nn.ReLU()(out)
        
        return out

这个类实现了一个残差块的前向传播。输入参数包括输入通道数、输出通道数和步长。在这个类中，我们首先定义了两个卷积层和两个批量归一化层。然后，如果输入通道数与输出通道数不同，则需要进行卷积操作。最后，我们将残差与输入相加，并进行 ReLU 激活。整个残差块的输出就是这个激活后的结果。

在实际使用中，我们可以将多个残差块组合起来，形成一个残差网络。