ResNet (Residual Networks 残差网络)

【对残差网络的学习记录】

定义

残差网络（Residual Networks）是一种卷积神经网络，其内部使用了跳跃连接，由大量的残差块组成，这缓解了深度神经网络中增加深度带来的梯度消失和梯度爆炸问题，由此可以利用残差网络训练很深很深的网络。

残差块（Residual block）

把某层输入跳跃连接到下一层乃至更深层的激活层之前，同本层输出一起经过激活函数输出。

普通网络（Plain Network）

当所训练的网络足够深时训练误差将不再减少反而会增加。

残差网络（Residual Networks）

所训练网络越深，训练误差越小。下图的残差网络由五个残差块组成，该残差网络只跳跃了一层，还可跳跃多层。

ResNet50基本构成

ResNet50由两个基本的块构成，Conv Block和Identity Block。
Conv Block：跳跃连接上有卷积操作，输入和输出维度不一样，改变图片的大小和通道数，不能串联，用于改变网络维度。
Identity Block：跳跃连接上没有卷积操作，输入和输出维度一样，不改变通道数，能串联，用于加深网络。

结构与理解

看了吴恩达老师的视频讲解，并参照知乎努力努力再努力理解的。

本人认为上图中stage3和stage4的Conv Block部分的通道数有错并标注了出来，不知道理解的对不对，欢迎大佬们指正。

残差网络解决网络退化的原理

如果某层网络冗余，我们希望该层能够学习到一个恒等映射函数也就是h(x)=x，但是学习这样的函数很困难，但学习F(x)=0要更简单，所以通过跳跃连接可以实现h(x)=F(x)+x的学习。

残差网络解决梯度消失的原理

多个Resnet Blocks累积起来能解决梯度消失问题。
Resnet Block = main path + skip connection

参考

https://zhuanlan.zhihu.com/p/165123650
https://blog.csdn.net/zjc910997316/article/details/102912175