_ASPP类

 自我学习笔记，侵删

class _ASPP(nn.Module):
    """
    Atrous spatial pyramid pooling (ASPP)
    """

 空洞卷积池化层构建

    def __init__(self, in_ch, out_ch, rates):
        super(_ASPP, self).__init__()
        for i, rate in enumerate(rates):
            self.add_module(
                "c{}".format(i),
                nn.Conv2d(in_ch, out_ch, 3, 1, padding=rate, dilation=rate, bias=True),
            )

用于迭代的 Python 循环结构，其中 rates 是一个可迭代对象，比如列表或者元组。

• 循环体中的 nn.Conv2d 操作创建了多个卷积层，数量取决于 rates 列表中元素的个数。
• 对于每个元素，都会创建一个卷积层，并将其添加到 _ASPP 类的模块列表中。
• 在创建卷积层时，指定了卷积核大小为 3x3，步长为 1，并根据当前迭代的 rate 设置了对应的填充和空洞率。
• 这样设置的目的是为了实现空洞卷积操作，以便在不同的感受野下捕获图像特征。
• 对每个卷积层的权重和偏置进行了初始化操作，其中权重使用正态分布初始化，偏置初始化为常数 0。
• 这样做的目的是为了确保模型在开始训练时具有良好的初始值，有助于模型的稳定训练和收敛。

        for m in self.children():
            nn.init.normal_(m.weight, mean=0, std=0.01)
            nn.init.constant_(m.bias, 0)

• self.children() 是 nn.Module 类中的一个方法，用于返回模块的所有直接子模块。
• 对于 _ASPP 类来说，它的子模块就是添加到 _ASPP 类中的每个卷积层。
• for m in self.children() 遍历了所有子模块，将每个子模块赋值给变量 m。
• 在每次迭代中，m 都代表 _ASPP 类中的一个卷积层。
• 在循环中，对每个子模块执行了初始化操作，包括对权重进行正态分布初始化，以及对偏置进行常数初始化。
• 这些操作确保了每个卷积层在模型初始化时都具有良好的初始值，有助于模型的训练和收敛。

    def forward(self, x):
        return sum([stage(x) for stage in self.children()])

• 遍历了所有子模块，然后将每个子模块应用到输入 x 上，并将结果相加。
• 这样做的目的是执行一系列卷积操作，并将它们的结果相加，从而得到最终的输出。