何凯明大名鼎鼎的深度残差网络,学习笔记在网上可以说是数不胜数,原论文发表是在2015年,由于其良好的性能和出众的通用性已经被很多深度学习的书籍收录,原论文讲得比较深奥,看完还是云里雾里的,这里摘录一些易于理解的学习笔记和奇妙的比喻。
吴恩达深度学习笔记(八) —— ResNets残差网络 - DOLFAMINGO - 博客园
https://www.cnblogs.com/DOLFAMINGO/p/9751779.html
残差网络ResNet笔记 - 简书
https://www.jianshu.com/p/e58437f39f65
CNN入门讲解:什么是残差网络Resnet(视频) - 知乎
https://zhuanlan.zhihu.com/p/33613512
深度残差网络的一波两折 - yujianmin1990的专栏 - CSDN博客
https://blog.csdn.net/yujianmin1990/article/details/78672485
神奇の比喻:
F是求和前网络映射,H是从输入到求和后的网络映射。比如把5映射到5.1,那么引入残差前是F’(5)=5.1,引入残差后是H(5)=5.1, H(5)=F(5)+5, F(5)=0.1。这里的F’和F都表示网络参数映射,引入残差后的映射对输出的变化更敏感。比如原来是从5.1到5.2,映射F’的输出增加了1/51=2%,而对于残差结构从5.1到5.2,映射F是从0.1到0.2,增加了100%。明显后者输出变化对权重的调整作用更大,所以效果更好。残差的思想都是去掉相同的主体部分,从而突出微小的变化,看到残差网络我第一反应就是差分放大器…