残差连接必须显式对齐形状，Dense连接须用torch.cat(dim=1)拼接通道；混合使用时需确保残差路径取自block输入、dense包含所有前序特征；统一用nn.Identity()作恒等映射，避免lambda导致导出或优化问题。
残差连接必须显式相加，不能依赖自动广播
PyTorch 的 torch.nn.Module 不会自动处理张量形状不匹配时的残差相加——哪怕两个张量语义上“应该对齐”。常见错误是主干输出通道数（如 64）和跳跃路径输入通道数（如 32）不一致，直接写 x + residual 会报 RuntimeError: The size of tensor a (32) must match tensor b (64) at non-singleton dimension 1。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 始终检查
residual.shape == x.shape，尤其在 stride=2 的下采样残差块中； - 用
nn.Conv2d或nn.Sequential(nn.AvgPool2d(2), nn.Conv2d(in_c, out_c, 1))对齐跳跃路径的尺寸与通道； - 避免在
forward中用F.interpolate动态缩放——它引入额外计算且易漏梯度； - 标准 ResNet 实现中，
downsample参数就是为解决此问题而设的，别绕开它。
Dense 连接要用 torch.cat 拼接，但得管好维度和内存
DenseNet 的核心是把前面所有层的输出沿 channel 维度拼接（dim=1），不是堆叠或相加。错用 torch.stack 会导致新增维度，后续卷积直接崩；漏掉 dim=1 参数则默认拼在第 0 维（batch），结果 shape 彻底错乱。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 所有中间特征存入 list 后，统一用
torch.cat(features, dim=1)； - 每层输出通道数要提前规划（如 growth_rate=32），否则拼接后 channel 爆涨，显存瞬间告急；
- 不要在循环里反复
cat：先收集再拼一次，比out = torch.cat([out, new_feat], dim=1)每次都新建 tensor 快得多； - 如果某层输出是
(N, C, H, W)，而跳跃来的特征是(N, C', H', W')，必须先插值或卷积对齐空间尺寸——Dense 连接不豁免 shape 检查。
混合残差 + Dense 时，顺序和命名容易混淆
有人想“每个 dense 层内部加残差”，结果把 residual 接在 BN-ReLU-Conv 前，导致 ReLU 把负残差截断，破坏恒等映射性质；也有人把 dense 拼接后的 tensor 直接喂给下一个残差块，却忘了拼接输出通道数已变，downsample 配置没同步更新。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 残差结构必须满足“变换前 vs 变换后”可相加，即
residual应取自该 block 输入，而非某子模块输出； - Dense 连接的“前序特征”应包含本 block 输入 + 所有上游 dense 输出，别漏掉初始输入；
- 给变量起名带语义：比如
dense_feats、res_input，别全叫x； - 在 forward 开头加
assert x.dim() == 4和assert x.is_contiguous()，能早暴露 view / transpose 引发的隐性 bug。
nn.Identity 是最轻量的残差占位符，别手写 lambda x: x
当某层不需要实际变换，只为了保持模块接口统一（比如 backbone 中某些 stage 可选是否加残差），用 lambda x: x 或 def identity(x): return x 看似简单，但 PyTorch JIT 和 ONNX 导出时可能无法追踪，训练中也可能被优化掉。
实操建议：
立即学习“Python免费学习笔记（深入）”；
- 一律用
nn.Identity()作为恒等映射模块，它是torch.nn官方支持的轻量级实现； - 它参与
model.modules()遍历，方便统一 freeze 或替换； - 搭配
nn.Sequential使用时不会引入额外参数或计算，print(list(model.parameters()))能验证为空； - 注意它不处理 shape 变更——如果真需要“pass-through but reshape”，就得自己写个 wrapper，
Identity不背这个锅。
