TF2.0深度学习实战（七）：手撕深度残差网络ResNet

目录

一、ResNet详解

1.1 ResNet简介

1.2 提出背景

1.3 ResNet创新之处

1.4 ResNet网络结构

(1) 捷径连接

(2) 更深的瓶颈结构

(3) 残差模块中虚实线的区别

(4) 整体结构

1.5 ResNet的性能

二、TensorFlow2.0搭建ResNet实战

2.1 数据集准备

(1) 数据集介绍

(2) 数据集加载与准备

2.2 搭建ResNet网络模型

(1) 搭建残差模块

(2) 搭建整体网络结构

2.3 模型装配与训练

2.4 训练过程与结果

---

一、ResNet详解

1.1 ResNet简介

ResNet来源于《Deep Residual Learning for Image Recognition》这篇论文，在2015年，由微软亚洲研究院的何凯明等人共同发表。其研究成果在ILSVRC 2015挑战赛ImageNet数据集上获得分类任务和检测任务双冠军。ResNet论文至今已经获得超 25000 的引用量，可见 ResNet 在人工智能领域的影响力。
我们常说的ResNet是一种基于跳跃连接的深度残差网络算法。根据该算法提出了18 层、34层、50 层、101 层、152 层的 ResNet-18，ResNet-34，ResNet-50，ResNet-101 和 ResNet-152 等模型，甚至成功训练出层数达到1202层的超深的神经网络。

1.2 提出背景

前面我们学过AlexNet，VGG，GoogLeNet 等网络模型，它们的出现将神经网络的发展带入了二十几层的阶段。研究人员发现网络的层数越深，理想情况下，网络模型的学习效果越好。但是实际中，单纯地增加网络的深度，网络会变得越来越难训练，而且精度会达到饱和。这