Opowiedz o idei ResNet i napisz kod ResidualBlock.

Pomysł ResNet (Residual Network) polega na użyciu połączeń residualnych (połączeń typu skip), które pozwalają na pomijanie jednej lub kilku warstw, aby uniknąć problemu zanikającego gradientu i ułatwić trenowanie bardzo głębokich sieci neuronowych.

Głównym elementem ResNet jest ResidualBlock, który dodaje sygnał wejściowy do wyjścia kilku warstw, implementując funkcję:

output = F(x) + x

gdzie F(x) to transformacja wejścia (np. kilka warstw konwolucyjnych).

Przykład kodu ResidualBlock w Pythonie z użyciem 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

Ten blok pomaga sieci uczyć się bardziej efektywnie, pozwalając gradientowi przechodzić bezpośrednio przez połączenia residualne.