深度学习:残差网络(ResNet)的原理及优缺点

概念:  

        残差网络(Residual Network,简称ResNet)是一种深度卷积神经网络架构,它在2015年由微软研究院的Kaiming He等人提出。ResNet解决了深度学习领域中的一个关键问题:随着网络深度的增加,网络的性能反而可能下降。这一现象被称为梯度消失和梯度爆炸,它们会导致在训练过程中难以有效地更新网络权重。

如何解决问题?

为了解决梯度消失或梯度爆炸问题,论文提出通过数据的预处理以及在网络中使用 BN(Batch Normalization)层来解决。 为了解决深层网络中的退化问题,可以人为地让神经网络某些层跳过下一层神经元的连接,隔层相连,弱化每层之间的强联系。这种神经网络被称为 残差网络 (ResNets)。

residual结构使用了一种shortcut的连接方式,也可理解为捷径。让特征矩阵隔层相加,注意F(X)和X形状要相同,所谓相加是特征矩阵相同位置上的数字进行相加。

ResNet的组成:

  1. 残差块(Residual Block)

    • 每个残差块包含输入和输出之间的一条捷径(shortcut connection)或恒等连接(identity shortcut)。
    • 捷径连接可以跳过一个或多个卷积层,将输入直接添加到输出。
  2. 恒等映射ÿ

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值