ResNet改进(45)：结合通道混洗（ShuffleNet）的混合架构

1.创新点分析

今天我们将深入分析一个创新的卷积神经网络(CNN)实现，它巧妙地将经典的ResNet架构与新兴的通道混洗(Channel Shuffle)技术相结合。这个实现位于cnn_model.py文件中，展示了如何通过自定义模块来增强现有网络架构的性能。

模型架构总览

该实现定义了一个名为CustomResNet的类，它基于ResNet34架构，但在其中嵌入了自定义的ShuffleBlock模块。这种混合方法旨在结合ResNet强大的残差学习能力和通道混洗带来的高效特征交互。

核心组件解析

1. ChannelShuffle模块

class ChannelShuffle(nn.Module):
    def __init__(self, groups):
        super(ChannelShuffle, self).__init__()
        self.groups = groups

    def forward(self, x):
        batch_size, num_channels, height, width = x.size()
        cha