在pytorch中残差链接如何实现，请给我段代码

在PyTorch中，残差连接（Residual Connections）通常用于深度学习网络，特别是卷积神经网络（CNN）和全连接网络（FCN）中，目的是为了帮助梯度流动并使得模型更容易训练。其基本思想是在网络结构中添加一条从输入直接到输出的路径，这样即便主干部分的网络变得非常深，这部分直通的信息也可以绕过中间层，有助于防止梯度消失。

下面是一个简单的ResNet块（含残差连接）的例子，这个例子展示了如何在PyTorch的`nn.Module`基础上创建一个带残差的块：

import torch.nn as nn

class ResidualBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1):
        super(ResidualBlock, self).__init__()
        
        # 残差层
        self.residual = nn.Sequential(
            nn.Conv2d(in_channels, out_channels, kernel_size=3, padding=1, stride=stride),
            nn.BatchNorm2d(out_channels),
            nn.ReLU(inplace=True),
            nn.Conv2d(out_channels, out_channels, kernel_size=3, padding=1),
            nn.BatchNorm2d(out_channels)
        )
        
        # 当前层有步进时添加跨层连接，即调整输入通道数
        if stride != 1 or in_channels != out_channels:
            self.shortcut = nn.Sequential(
                nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=stride),
                nn.BatchNorm2d(out_channels)
            )
        else:
            self.shortcut = nn.Identity()  # 使用 Identity 函数保持尺寸不变

    def forward(self, x):
        residual = x
        x = self.residual(x)
        x += self.shortcut(residual)  # 残差相加
        return F.relu(x)  # 接受残差后的结果并应用ReLU激活

# 示例中如何使用该模块
block = ResidualBlock(64, 128)
input_tensor = torch.randn(1, 64, 100, 100)
output = block(input_tensor)