inception块：

​
import torch
import torch.nn as nn
class InceptionBlock(nn.Module):
    #__init__ 方法：用于初始化模型的各个子模块
    def __init__ (self,in_channels,out_channels1,out_channels2,out_channels3,out_channels4):
        super(InceptionBlock,self).__init__()
        #在 InceptionBlock 类中调用其父类的构造函数，用于初始化父类的属性和方法。
        #通路1(由一个 1x1 卷积层 和一个 ReLU 激活函数 的组合构成)
        self.branch1 = nn.Sequential(
            nn.Conv2d(in_channels,out_channels1,kernel_size = 1),
            nn.ReLU()
        )
        #通路2(由 两个卷积层 和 两个 ReLU 激活函数 按顺序组成)
        self.branch2 = nn.Sequential(
            nn.Conv2d(in_channels,out_channels2,kernel_size = 1),
            nn.ReLU(),
            nn.Conv2d(out_channels1,out_channels2,kernel_size = 3,padding = 1),
            nn.ReLU()
        )
        #通路3（由 两个卷积层 和 两个 ReLU 激活函数 按顺序组成）
        self.branch3 = nn.Sequential(
            nn.Conv2d(in_channels,out_channels3,kernel_size = 1),
            nn.ReLU(),
            nn.Conv2d(out_channels1,out_channels2,kernel_size = 5,padding = 2),
            nn.ReLU(),
        )                                                                                      
        #通路4(由 最大池化层、1x1 卷积层 和 ReLU 激活函数 依次组)
        self.branch4 = nn.Sequential(
            nn.MaxPool2d(3, 1, 1),  # 3x3 MaxPool, stride=1, padding=1
            nn.Conv2d(in_channels, out_channels4, kernel_size=1),
            nn.ReLU()
        )
    #forward 方法：定义模型前向计算过程,，并将它们在通道维度上拼接
    def forward(self, x):
        b1 = self.branch1(x)
        b2 = self.branch2(x)
        b3 = self.branch3(x)
        b4 = self.branch4(x)
        #沿着输入张量的第 1 个维度（即通道维度）进行拼接,4D张量为[batch_size, channels, height, width]
        #这里dim=1表示在channels维度上进行拼接，其他维度保持一致
        return torch.cat([b1,b2,b3,b4],dim=1)

​

测试代码：（输出结果：torch.Size([1, 64, 28, 28])）

inc = InceptionBlock(
            in_channels=64,
            out_channels1=16,   # branch1 输出 16 个通道
            out_channels2=16,   # branch2 输出 16 个通道
            out_channels3=16,   # branch3 输出 16 个通道
            out_channels4=16    # branch4 输出 16 个通道
        )
x = torch.randn(1, 64, 28, 28)  # batch size=1, in_channels=64, 输入大小 28×28
output = inc(x)
print(output.shape)