Residual Block
ResNet中最重要的组件是残差块（residual block），也称为残差单元（residual unit）。一个标准的残差块包含两层卷积层和一条跳过连接（skip connection），如下
假设输入x的大小为F×H×W，其中FFF表示通道数，H和W分别表示高度和宽度。那么通过残差块后输出的特征图的大小仍然是F×H×W。
跳过连接能够使得该层网络可以直接通过进行恒等映射（identity mapping）来优化模型，并避免反激化迫使网络退化。即残差块应该学习到输入数据和输出数据的差异，而不是完全复制输入数据。
实现一个残差块
代码如下所示：
import torch.nn as nn
class ResidualBlock(nn.Module):
def __init__(self, in_channels, out_channels, stride=1):
super().__init__()
self.conv1 = nn.Conv2d(in_channels, out_channels, kernel_size=3, stride=stride, padding=1, bias=False)
self.bn1 = nn.BatchNorm2d(out_channels)
self.relu = nn.ReLU(inplace=True)
self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size=3, stride=1, padding=1, bias=False)
self.bn2 = nn.BatchNorm2d(out_channels)
self.shortcut = nn.Sequential()
if in_channels != out_channels or stride != 1:
self.shortcut = nn.Sequential(
nn.Conv2d(in_channels, out_channels, kernel_size=1, stride=stride, bias=False),
nn.BatchNorm2d(out_channels))
def forward(self, x):
residual = x
x = self.conv1(x)
x = self.bn1(x)
x = self.relu(x)
x = self.conv2(x)
x = self.bn2(x)
shortcut = self.shortcut(residual)
x += shortcut
x = self.relu(x)
return x这段代码定义了一个继承自nn.Module的残差块。在初始化过程中，我们定义了两个卷积层、两个批标准化（batch normalization）层以及一个恒等映射短连接（shortcut）。其中第二个卷积层的输入通道数必须与输出通道数相同。
在forward函数中，我们首先将输入数据xxx保存到一个变量residual中。然后将xxx通过第一个卷积层、批标准化以及ReLU激活函数，再通过第二个卷积层和批标准化。
默认情况下，跳过连接是一个恒等映射，即仅将输入数据复制并直接加到输出数据上。如果输入的通道数与输出的通道数不同，或者在卷积操作中改变了特征图的大小（stride > 1），则需要对输入进行适当的处理以与输出相匹配。我们使用1×1卷积层（又称为“投影级”）来改变大小和通道数，并将其添加到shortcut`, 确保整个残差块拓扑中都能够正确地实现残差学习。
以上就是Pytorch实现ResNet网络之Residual Block残差块的详细内容，更多关于Pytorch ResNet残差块的资料请关注编程网其它相关文章！
