Cuente la idea de ResNet y escriba el código ResidualBlock.

La idea de ResNet (Red Residual) consiste en utilizar conexiones residuales (conexiones de salto), que permiten saltarse una o varias capas para evitar el problema del gradiente que se desvanece y facilitar el entrenamiento de redes neuronales muy profundas.

El elemento principal de ResNet es el ResidualBlock, que suma la señal de entrada a la salida de varias capas, implementando la función:

output = F(x) + x

donde F(x) es la transformación de la entrada (por ejemplo, varias capas convolucionales).

Ejemplo de código ResidualBlock en Python usando PyTorch:

import torch
import torch.nn as nn

class ResidualBlock(nn.Module):
    def __init__(self, channels):
        super(ResidualBlock, self).__init__()
        self.conv1 = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
        self.bn1 = nn.BatchNorm2d(channels)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(channels, channels, kernel_size=3, padding=1)
        self.bn2 = nn.BatchNorm2d(channels)

    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)
        out += residual
        out = self.relu(out)
        return out

Este bloque ayuda a que la red aprenda de manera más eficiente, permitiendo que el gradiente pase directamente a través de las conexiones residuales.