【深度学习】ResNet系列网络结构

ResNet中Residual的功能

DNN的反向传播算法

• 假设DNN只有一个隐藏层：
  

• 向前传播得到输出：
  

• 计算损失函数：
  
  注意当$C$关于$y_j$求偏导的时候，无论括号中是$y_j-z_j$还是$z_j-y_j$，得到的结果是相同的

• 反向传播更新权重：
  
  为什么是上图中是减法：因为优化的目的是让损失函数最小，也就是$y$和$z$最接近。当偏导大于零时，证明损失函数关于权重的函数曲线极小值在$w$轴左侧，当偏导小于零时，证明损失函数关于权重的函数曲线极小值在$w$轴右侧。

梯度弥散和梯度爆炸

梯度弥散：靠近网络输入端的权重梯度小，得不到更新
梯度爆炸：靠近网络输出端的权重梯度大，更新特别“飞”

无论是梯度弥散还是梯度爆炸，都是靠近网络输出端的梯度大于靠近网络输入端的梯度。因为：
根据上面的反向传播推导可知，从靠近网络输出端向靠近网络输入端，每向后一层，反向传播的偏导计算便多乘一次激活函数的导，以sigmoid函数作为激活函数为例，它的导数是恒小于一的。所以这样反向传播每向后一层，都在累乘小于一的值。所以靠近网络输出端的梯度大于靠近网络输入端的梯度

网络退化

在增加网络层数的过程中，training accuracy 逐渐趋于饱和，继续增加层数，training accuracy 就会出现下降的现象，而这种下降不是由过拟合造成的

ResNet中Residual的功能

残差网络结构的提出，就是解决了随着网络层数的加深，出现的梯度弥散、梯度爆炸、以及网络退化的现象。

换句话说，ResNet的跳接就是为了提高梯度跨block传播的能力

ResNet系列网络结构

注意ResNet的激活函数放在跳接之后

1. 上图中输入图片size为(224, 224, 3)

2. 经过第一个7x7的卷积层，输出channel为64，步长为2，注意pad为3，即在周围填充三圈

3. 经过一个3x3的最大池化层，步长为2，注意pad为1

4. 与VGGNet不同的是，ResNet除了一个3x3的最大池化层，其他下采样全都是使用卷积层实现
   如上图，我们称$conv2\_x$、$conv3\_x$、$conv4\_x$、$conv5\_x$为四个卷积组，$conv2\_x$的下采样由最大池化层实现，其他三个卷积组的下采样，都是由邻接上一个卷积组的残差块实现：
   与上一个卷积组邻接的残差块的结构(以ResNet-18/34为例)：
   
   其他残差块的结构(以ResNet-18/34为例)：
   

结语

如果您有修改意见或问题，欢迎留言或者通过邮箱和我联系。
手打很辛苦，如果我的文章对您有帮助，转载请注明出处。