Magyarázd el a ResNet ötletét és írd meg a ResidualBlock kódját.

A ResNet (Residual Network) ötlete az, hogy maradék kapcsolatokat (skip connections) használunk, amelyek lehetővé teszik, hogy egy vagy több réteget átugorjunk, így elkerülve a csökkenő gradiens problémáját, és megkönnyítve nagyon mély neurális hálózatok tanítását.

A ResNet fő eleme a ResidualBlock, amely hozzáadja a bemeneti jelet több réteg kimenetéhez, és a következő függvényt valósítja meg:

output = F(x) + x

ahol F(x) a bemenet transzformációja (például több konvolúciós réteg).

Példa ResidualBlock kódra Pythonban PyTorch használatával:

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

Ez a blokk segíti a hálózatot abban, hogy hatékonyabban tanuljon, lehetővé téve a gradiens közvetlen átfolyását a residual kapcsolatokon keresztül.