一个轻量级的ResNet模型封装

import torch
import torch.nn as nn
import torch.nn.functional as F

class myResnet(nn.Module):
    """
    自定义ResNet封装类，接收一个预训练的ResNet模型作为参数，
    并在其基础上进行特征提取，同时返回全局特征和注意力区域特征。
    """

    def __init__(self, resnet):
        """
        初始化方法，将传入的ResNet模型实例赋值给类的成员属性self.resnet。
        """
        super(myResnet, self).__init__()
        self.resnet = resnet

    def forward(self, img, att_size=6):
        """
        前向传播方法，输入img是一个四维张量，代表一批图片（批处理）的数据，
        返回两个输出：全局平均池化特征向量和注意力区域特征。

        参数：
        - img：四维张量，形状为 (batch_size, channels, height, width)，代表输入图片数据
        - att_size：整数，默认为6，用于指定自适应平均池化后的特征图尺寸
        
        返回：
        - fc：全局平均池化特征向量，形状为 (batch_size, channels)
        - att：注意力区域特征，形状为 (channels, att_size, att_size)
        """
        # 将输入图片经过ResNet的基础模块处理
        x = img
        x = self.resnet.conv1(x)  # 卷积层
        x = self.resnet.bn1(x)  # 批量归一化层
        x = self.resnet.relu(x)  # 激活层（ReLU）
        x = self.resnet.maxpool(x)  # 最大池化层

        # 通过ResNet的残差模块进行特征提取
        x = self.resnet.layer1(x)  # 第一个残差模块
        x = self.resnet.layer2(x)  # 第二个残差模块
        x = self.resnet.layer3(x)  # 第三个残差模块
        x = self.resnet.layer4(x)  # 第四个残差模块

        # 提取全局平均池化特征向量
        fc = x.mean(dim=3).mean(dim=2).squeeze()  # 计算高度和宽度维度的平均值，得到一维特征向量

        # 提取注意力区域特征
        att = F.adaptive_avg_pool2d(x, output_size=(att_size, att_size)).squeeze().permute(1, 2, 0)
        # 使用自适应平均池化将特征图压缩到指定尺寸，并转换通道至第三维

        # 返回全局特征向量和注意力区域特征
        return fc, att

这段代码实现了一个轻量级的ResNet模型封装类 myResnet。在初始化时，它接收一个预定义的ResNet模型作为参数（如ResNet-18、ResNet-34等），并将该模型挂载为自身的成员属性 self.resnet。

在 forward 方法中，输入 img 是一个四维张量，通常代表一批图片（batch）的数据，形状为 (batch_size, channels, height, width)。

1. 首先，将输入图片送入ResNet模型的基本卷积层、批量归一化层、激活层（ReLU）和最大池化层进行初步特征提取。

2. 然后，通过调用 self.resnet.layer1 至 self.resnet.layer4 分别执行ResNet模型的四个残差模块，逐步抽取更深层次的特征。

3. 提取全局平均池化特征向量 fc，即将特征图在高度和宽度维度上分别取平均值，得到一个形如 (batch_size, channels) 的向量，可用于分类任务。

4. 同时，通过自适应平均池化 (F.adaptive_avg_pool2d) 得到一个形如 (batch_size, channels, att_size, att_size) 的特征图 att，该特征图尺寸被压缩为指定的 att_size，可以视为对输入图片的注意力区域特征，通常用于视觉注意力或辅助任务。

最后，myResnet 类的 forward 函数返回两个输出：全局平均池化特征向量 fc 和注意力区域特征 att。