【深度学习】ResNet (残差) 网络_残差模块

Introduction

ResNet (残差) 网络 由He Kaiming、Sun jian等大佬在2015年的论文 Deep Residual Learning for Image Recognition 中提出。

添加了一些直达通道，相当于加入了约束。使得某些原本就应为identity mapping的module，直接获得identity mapping的能力。

个人经验：

• ResNet在不少任务上倒不一定真的能提高精度，但是起码能保证收敛速度快很多。

起因

2015年之前，在层数不多的深度网络模型中，人们通过 设置 合理的权重初始化、改进激活函数 等等一系列手段，有效缓解了梯度消失，使得深度网络训练变得可行。

于是炼丹师们觉得，简单地累加网络层，训练误差（低误差意味着更强大的表达能力）在模型收敛后maybe会进一步降低。结果不仅没有，误差反而更大了（下图为20层和56层的常规网络在CIFAR-10数据集上的 训练错误率[左图] 和 测试错误率[右图]）：

研究发现，原来 如果继续加大网络的层数，梯度消失这货就会又跑出来作祟了。原来那些对应措施已经不够用了，是时候开始鸟枪换炮了。

于是 ResNet (残差) 网络 在2015年便应运而生：

残差模块

残差网络是由 残差模块 垒叠。残差模块 又分为 常规残差模块[左图]和 瓶颈残差模块 (bottleneck residual block)[右图]：

瓶颈残差模块 中的1×1卷积能够起到升降维的作用，从而令3×3卷积可以在较低维度的输入上进行。在非常深的网络中，该设计可大幅减少计算量。

残差网络

由于 残差模块 的引入，有效缓解了梯度消失的影响，使得网络模型层数可以大大增加。

下图为 ResNet-34网络 与 VGG-19网络 的深度对比：

下图为 ResNet-152网络 与 VGG-19网络 的深度对比。深度差距就更夸张了：

随着层数的加深，模型的表达能力自然跟着水涨船高：

ResNet横扫当年 ILSVRC 和 COCO 等竞赛一系列子任务的第一名，成为网络结构的主流，并影响至今。

Version

ResNet自身也有多个版本。基本上是层数越深，误差越小，模型表达能力越强：