我对Python不太熟悉，在理解ResNet架构的以下代码部分时遇到困难，相关代码片段如下：

ResidualBlock 残差块类 #

class ResidualBlock(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1, downsample=None):
        super(ResidualBlock, self).__init__()
        self.conv1 = conv3x3(in_channels, out_channels, stride)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = conv3x3(out_channels, out_channels)
        self.bn2 = nn.BatchNorm2d(out_channels)
        self.downsample = downsample
    def forward(self, x):
        residual = x
        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)
        out = self.conv2(out)
        out = self.bn2(out)
        if self.downsample:
            residual = self.downsample(x)
        out += residual
        out = self.relu(out)
        return out

ResNet 主网络类 #

class ResNet(nn.Module):
    def __init__(self, block, layers, num_classes=10):
        super(ResNet, self).__init__()
        self.in_channels = 16
        self.conv = conv3x3(3, 16)
        self.bn = nn.BatchNorm2d(16)
        self.relu = nn.ReLU(inplace=True)
        self.layer1 = self.make_layer(block, 16, layers[0])
        self.layer2 = self.make_layer(block, 32, layers[0], 2)
        self.layer3 = self.make_layer(block, 64, layers[1], 2)
        self.avg_pool = nn.AvgPool2d(8)
        self.fc = nn.Linear(64, num_classes)
    def make_layer(self, block, out_channels, blocks, stride=1):
        downsample = None
        if (stride != 1) or (self.in_channels != out_channels):
            # 补全常见的downsample实现逻辑
            downsample = nn.Sequential(
                conv3x3(self.in_channels, out_channels, stride),
                nn.BatchNorm2d(out_channels),
            )
        layers = []
        layers.append(block(self.in_channels, out_channels, stride, downsample))
        self.in_channels = out_channels
        for _ in range(1, blocks):
            layers.append(block(self.in_channels, out_channels))
        return nn.Sequential(*layers)

代码逐段解析 #

1. ResidualBlock：残差连接的核心

这是ResNet的灵魂模块，实现了残差跳跃连接，解决了深层网络的退化问题：

• __init__参数说明：
  • in_channels：输入特征图的通道数
  • out_channels：输出特征图的通道数
  • stride：第一个卷积的步长，用来缩小特征图尺寸
  • downsample：可选调整模块，用来让输入x的维度（通道数/尺寸）和主分支输出匹配，这样才能做加法运算
• 前向传播逻辑：
  1. 先把输入x存为residual（残差分支）
  2. 主分支走两次3x3卷积+批量归一化+ReLU（注意第二次卷积后先不激活，等残差相加后再统一激活）
  3. 如果存在downsample，就对residual做维度调整（比如通道数从16变32，或者步长2缩小特征图尺寸）
  4. 主分支输出和残差相加，最后过ReLU返回结果

2. ResNet：整体网络结构

这是ResNet的主类，负责把多个残差块组装成完整的分类网络：

• __init__参数说明：
  • block：刚才定义的ResidualBlock，作为重复使用的基础模块
  • layers：列表，每个元素表示对应阶段的残差块数量（比如[2,2,2]就是每个阶段包含2个残差块）
  • num_classes：最终分类的类别数（这里是10，对应CIFAR-10数据集）
• 网络流程：
  1. 输入层：将3通道的RGB图像，通过3x3卷积转成16通道特征图，再做批量归一化和ReLU激活
  2. 三个残差块阶段：
     • layer1：保持16通道，步长1，特征图尺寸不变
     • layer2：升级到32通道，步长2，特征图尺寸减半
     • layer3：升级到64通道，步长2，特征图尺寸再减半
  3. 输出层：通过全局平均池化把64x8x8的特征图压缩成64维向量，再通过全连接层输出10类分类结果

3. make_layer：批量创建残差块

这个方法用来批量生成同一通道数下的多个残差块，简化网络搭建：

• 首先判断是否需要downsample：如果步长不是1，或者当前输入通道数和目标输出通道数不一致，就创建一个卷积+BN的模块，用来调整残差分支的维度
• 先创建第一个残差块（需要传入downsample和stride来做初始维度调整）
• 然后循环创建剩下的残差块（步长默认1，不需要额外调整维度）
• 最后把这些残差块打包成nn.Sequential容器返回

内容的提问来源于stack exchange，提问作者user570593