ResNet改进(30)：融合MobileNet和ResNet的轻量级网络设计

在深度学习领域，模型架构的创新往往能带来性能的显著提升。

今天我将介绍一种结合了MobileNet和ResNet优势的混合架构——ResNetWithMobileNet，这是一种既保持了残差连接优势又具有轻量级特性的网络设计。

整体结构设计

核心组件解析

1. Depthwise Separable Convolution（深度可分离卷积）

深度可分离卷积是MobileNet的核心创新，它将标准卷积分解为两个步骤：

class DepthwiseSeparableConv(nn.Module):
    def __init__(self, in_channels, out_channels, stride=1):
        super(DepthwiseSeparableConv, self).__init__()
        # 深度卷积：每个输入通道单独卷积
        self.depthwise = nn.Conv2d(in_channels, in_channels, kernel_size=3,
                                 stride=stride, padding=1, groups=in_channels, bias=False)
        # 点卷积：1x1卷积进行通道混合
        self.po