论文笔记 | Identity Mappings in Deep Residual Networks

这一篇文章为上一篇ResNets提供了更加可信服的论据

Authors

Kaiming He, Xiangyu Zhang, Shaoqing Ren, and Jian Sun
都是“老熟人”了就不介绍了

Abstract

上篇文章中（http://blog.csdn.net/bea_tree/article/details/51735788）因residual builing blocks而得以建设100多层的深度网络，这里有介绍了新的residual unit，使训练更容易， 并且improves generalization。

1 Introduction

Residual Units:

上篇文章中， h(xl)=xl，是输入，f是Relu，x(l+1)是输出。如果h(xl)和f(yl)都是identity mappings， 信息就会直接从shortcut直接传输。
为了明白skip connections的作用，文章进行了分析与实验，发现identity mapping h（xl）=xl可以取得最快的error reduction和lowest training loss（参与实验的有 scaling，gating, 1x1convolutions）。
这里使用ReLU和BN放置于weightlayer前，作为新的residual unit，如下图：

新的结构更容易训练也更容易泛化，使用它建立了1001层网络。
另外在上篇文章中200层网络就开始过拟合，这里对其进行改进。

2 Analysis of Deep Residual networks

如果$f$也是一个identity mapping，那么其结构可以写成这样：

上式展现了ResNets两个特性：
1. 模型是以残差形式存在的
2. 这是以相加的形式存在而plain network是以矩阵相乘的形式存在的
上式的反向传播形式$\varepsilon$是loss function：

可见$\frac{\partial \varepsilon}{\partial x_l}$分为两部分其中$\frac{\partial \varepsilon}{\partial x_L}$保证了信息直接传递回任何浅层单元l。
并且可以看出其$\frac{\partial \varepsilon}{\partial x_l}$ 一般不会为0，因为 一般不会一直为-1，这就意味着某一层的梯度可以非常小但是一般不会为0.

3 On the importance of identity skip connections

如果我们做一点小的调整，加入一个比例因子$\lambda$：$h(x_l)=\lambda_lx_l$那么：


反向传播变为：

那么对于深层网络，如果$\lambda$大于一就容易成指数爆炸，如果小于1就容易弥散，那么我们原本的shortcut就会被堵塞，反向传播更多的经过权重层，导致优化困难。
如果将h（xl）换做更复杂的变换，如1x1convolution，那么其中的第一项就会变为$\prod_{i=l}^{L-1}h'$，h’代表h的导数，这也可能堵塞训练过程。

3.1 Experiments on Skip connections

事实上， shortcut-only gating和1x1包含原来的identity shortcut， 其表达能力应该更强，但是造成其结果degradation的原因是优化问题，而非representational abilities。

4 on the usage of Activation Fuctions

4.1 Experiments on activation

Post-activation or pre-activation?
原始的residual unit的设计中，activation $x_{l+1}=f(y_l)$对于两个分支都有影响，我们设计了一个非对称的结构，只对F分支，也就是：

这就等于pre-activation形式了：

这里设置了fig4中的de两种方案，d的提高不明显，可以看出BN和ReLU更配，他俩适合在一起，table3更说明了这个问题。

4.2 Analysis

我们发现pre-activation主要影响有二：
1. 优化更加简单，f成了一个identity mapping（图1）
2. BN提高了regularization，防止过拟合。
但是我们也发现，当层数不是那么多，比如图6中的164时（==|），原本的ReLU的影响可能没有那么大，大部分的$y_l$都是整数，其反向传播公式越接近：

但是如果到了1000层，非正数的情况越来越多，上式不再合适。

4.3 比较

Appendix： implementation details

CIFAR：
只是用了translation和flipping 的augment；
lr:0.1 32k和48k时除以10，开始400iterations时为0.01
batchsize：128
weight decay：0.0001
momentum：0.9
初始化设置：

He, K., Zhang, X., Ren, S., Sun, J.: Delving deep into rectiers: Surpassing human-
level performance on imagenet classication. In: ICCV. (2015)

Imagenet
无warming up

conclusion