Khối ResNet Cơ Bản với Đường Tắt Skip Connection

Mục tiêu kiến thức

• Hiểu kiến trúc đột phá của Deep Residual Learning (He et al., CVPR 2016):

Thay vì học ánh xạ trực tiếp H(x), mạng học ánh xạ thặng dư (residual mapping) F(x) = H(x) - x. Đầu ra khối là: y = ReLU(F(x) + shortcut(x))

• Nhánh chính F(x):
• Conv2D(in_channels, out_channels, kernel=3, stride=stride, padding=1, bias=False)
• BatchNorm2D(out_channels)
• ReLU()
• Conv2D(out_channels, out_channels, kernel=3, stride=1, padding=1, bias=False)
• BatchNorm2D(out_channels)
• Nhánh đường tắt shortcut(x):
• Nếu stride != 1 hoặc in_channels != out_channels: Dùng phép chiếu nn.Sequential(Conv2D(in_channels, out_channels, kernel=1, stride=stride, bias=False), BatchNorm2D(out_channels)).
• Ngược lại: Đồng nhất (Identity mapping) shortcut(x) = x.
• Lưu ý then chốt: Phép cộng thặng dư thực hiện TRƯỚC hàm kích hoạt ReLU cuối cùng.

Yêu cầu

Xây dựng lớp ResNetBasicBlock(torch.nn.Module):

class ResNetBasicBlock(nn.Module):
    def __init__(self, in_channels: int, out_channels: int, stride: int = 1):
        pass

    def forward(self, x: torch.Tensor) -> torch.Tensor:
        pass

Ràng buộc

• Thời gian chạy tối đa: 3000ms.
• Giới hạn bộ nhớ: 512MB.
• Dữ liệu đầu vào hợp lệ theo đúng kiểu dữ liệu và miền giá trị được mô tả.