经典卷积神经网络之—–ResNet
概念
Highway Network:解决极深的神经网络难以训练的问题
修改了每一层的激活函数,允许保留一定比例的原始输入x
y=H(x,WH)⋅T(x,WT)+x⋅C(x,Wc)
y
=
H
(
x
,
W
H
)
⋅
T
(
x
,
W
T
)
+
x
⋅
C
(
x
,
W
c
)
其中,T为变换系数,C为保留系数,论文中令:
C=1−T
C
=
1
−
T
这样前面一层的信息,有一定比例可以不经过矩阵乘法和非线性变换,直接传输到下一层,仿佛一条信息高速公路,因此得名Highway Network。
ResNet:
假设某段神经网络的输入是x,期望输出是H(x),如果我们直接把输入x传到输出作为初始结果,那么此时我们需要学习的目标就是F(x)=H(x)-x,ResNet相当于将学习目标改变了,不再是学习一个完整的输出H(x),而只是输出和输入的差别H(x)-x,即残差。
残差块:
两层三层残差学习单元
两
层
三
层
残
差
学
习
单
元
特点
1.深度增加,152层深
2.传统的卷积层和全连接层在信息传递时,或多或少会存在信息丢失,损耗等问题。ResNet在某种程度上解决了这个问题,通过直接将输入信息绕道传到输出,保护信息的完整性,整个网络只要学习输入,输出差别的那一部分,简化学习目标和难度。