import?torch.nn?as?nn
import?math
import?torch.utils.model_zoo?as?model_zoo

class?Bottleneck（nn.Module）:???????????#預定義網絡架構并定義前向傳播
	expansion?=?4??????#expansion是指殘差塊輸出維度是輸入維度的多少倍。在ResNet類中的_make_layer函數中會用到
	def?__init__（selfin_planesplanesstride=1downsample=None）：??#初始化并繼承nn.Module中的一些屬性。in_planes指輸入的通道數，planes指輸出的通道數，步長默認為1，下采樣函數默認為空（即默認不需要下采樣）
		super（Bottleneckself）.__init__（）??#定義nn.Module的子類Bottleneck。并在下面給出新的屬性
		self.conv1?=?nn.Conv2d（in_planesplaneskernel_size=1bias=False）
		self.bn1?=?nn.BatchNorm2d（planes）??#歸一化處理
		self.conv2?=?nn.Conv2d（in_planesplaneskernel_size=3stride=stridepadding=1bias=False）??#stride默認為1，但可更改
		self.bn2?=?nn.BatchNorm2d（planes）
		self.conv3?=?nn.Conv2d（in_planesplanes*4kernel_size=1bias=False）??#第三次卷積輸出緯度為上一層的四倍
		self.bn3?=?nn.BatchNorm（planes*4）
		self.relu?=?nn.ReLU（inplace=True）
		self.downsample?=?downsample
		self.stride=stride

	def?forwar（selfx）：			?#前向傳播
		residual?=?x?????????

?		out?=?self.conv1（x）
		out?=?self.bn1（out）
		
		out?=?self.conv2（out）
		out?=?self.bn2（out）
		
		out?=?self.conv3（out）
		out?=?self.bn3（out）

		if?self.downsample?is?not?None:???#	用來處理H（x）?=?F（x）?+?x中?F（x）和x維度（高、寬、通道數）不匹配的問題
			self.downsample?=?downsample（x）

	?	out?+=?residual
	?	out?=?self.relu（out）

		return?out


class?ResNet（nn.Module）:
	def?__init__（selfblocklayersnum_classes=1000）:??#block即為Bottleneck模型，layers可控制傳入的Bottleneck
		selfinplanes?=?64???#初始輸入通道數為64
		super（ResNetself）.__init__（）???#可見ResNet也是nn.Module的子類
		self.conv1?=?nn.Conv2d（364kernel_size?=?7stride?=?2padding?=?3bias?=?False）
		self.bn1?=?nn.BatchNorm2d（64）
		self.relu?=?nn.ReLU（inplace?=?True）
		self.maxpool?=?nn.MaxPool2d（kernel_size?=?3stride?=?2padding?=?1）
		self.layer1?=?self._make_layer（block64layers[0]）???#	四層殘差塊64為這一層輸入的通道數layer[0]表示有幾個殘差塊
		self.layer2?=?self._make_layer（block128layers[1]stride?=?2）???
		self.layer3?=?self._make_layer（block256layers[2]stride?=?2）
		self.layer4?=?self._make_layer（block512layers[3]