Conte a ideia do ResNet e escreva o código ResidualBlock.

A ideia do ResNet (Rede Residual) consiste em usar conexões residuais (conexões de salto), que permitem pular uma ou várias camadas para evitar o problema do gradiente que desaparece e facilitar o treinamento de redes neurais muito profundas.

O elemento principal do ResNet é o ResidualBlock, que soma o sinal de entrada à saída de várias camadas, implementando a função:

output = F(x) + x

onde F(x) é a transformação da entrada (por exemplo, várias camadas convolucionais).

Exemplo de código ResidualBlock em 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 bloco ajuda a rede a aprender de forma mais eficiente, permitindo que o gradiente passe diretamente através das conexões residuais.