【动手学深度学习】从resnet中学到的深度学习

Maple_66

已于 2022-04-27 16:49:51 修改

阅读量1.6k

点赞数 1

文章标签：深度学习人工智能

于 2022-04-26 15:48:46 首次发布

本文链接：https://blog.csdn.net/qq_41682740/article/details/123380549

版权

本文介绍了深度学习模型如何通过增加层来逼近理想函数，以及为何深度模型能更好地拟合数据。重点讨论了ResNet模型中的残差块概念，解释了其如何通过恒等映射实现嵌套函数，从而解决梯度消失问题，促进训练过程中的优化。此外，还阐述了ResNet结构中的1x1卷积层在保持形状一致性和调整通道数方面的重要性。

摘要由CSDN通过智能技术生成

1.学习模型的理解

对于一类神经网络模型（更多指完备的模型，而非cnn、rnn等类型，如resnet、vgg等），他可以拟合一定范围之内的函数，所有函数构成集合F。其中任意f是我们通过训练得到的，f*是我们所期望得到的函数，但是f*可能在模型函数集合F之中，也可能在F之外。

训练是求解以下优化问题：

X、Y为训练集中的输入输出，argmin表示返回Loss()函数最小的参数值

2.如何保证模型加深能够使结果更优？

怎样得到更近似真正f∗的函数呢？唯⼀合理的可能性是，我们需要设计⼀个更强⼤的架构F′，我们要保证更大的构架完全包含之前的构架，即嵌套函数类，复杂的函数类F_复杂完全包含较小的函数类F_简单，才能确保复杂的模型能够提高简单模型的性能，所以深度学习不一定是越深越好。

加深层数并希望实现恒等映射的目标：

对于深度神经⽹络，我们将其加深一层，如果我们能将新添加的层训练成恒等映射（identity function） f(x) = x，新模型和原模型将同样有效，即新模型完全包含旧模型。同时，由于新模型更深，可能得出更优的解来拟合训练数据集，因此添加层似乎更容易降低训练误差，因此在恒等映射基础上更有助于接近理想映射f*(x)。

3.那么resnet是如何实现嵌套函数类的呢？

残差块！

resnet的核心思想在于每个附加层都应该更容易地将之前的层包含其中，也就是每个附加函数都将原始函数作为参数之一。

假设我们的原始输⼊为x，⽽希望学出的理想映射为f*(x)（作为图7.6.2上⽅激活函数的输⼊）。图7.6.2左图虚线框中的部分需要直接拟合出该映射f(x)，⽽右图虚线框中的部分则需要拟合出残差映射f(x) - x。

在残差块中残差映射很容易实现恒等映射，只需要将所有所有权重与偏差设置为零。而在正常块中，权重偏差没有固定值实现恒等映射，因此正常块1）不能保证完全包含上一层的范围，2）更难以训练，3）会出现梯度消失现象

实际中，当理想映射f*(x)极接近于恒等映射时，残差映射也易于捕捉前一层的细微波动。即反向传播时，可以避免梯度消失，灵敏捕捉到优化反向。所以残差块具备优点：

1）能够在训练后期更精确地进行优化，得到更精确的结果。

2）输入可以通过跨层数据线路前向传播更多层。

4.resnet中的残差块

ResNet沿⽤了VGG完整的3 × 3卷积层设计。
通过跨层数据通路，跳过这2个卷积运算，将输⼊直接加在最后的ReLU激活函数前。分为两种类型：

这样的设计要求2个卷积层的输出与输⼊形状⼀样，具有相同的输入和输出通道数、宽度、高度，从⽽使它们可以相加。如左图
如果想改变通道数，就需要引⼊⼀个额外的1 × 1卷积层来将输⼊变换成需要的形状后再做相加运算。如右图
如果想要改变宽度、高度，可以调整残差块中卷积层的步长stride及填充padding，此时也需要1*1的卷积层，否则无法正常相加，如右图

ResNet18的结构，共有18层构成，其中包含4个残差块。

小结

学习嵌套函数（nested function）是训练神经网络的理想情况。在深层神经网络中，学习另一层作为恒等映射（identity function）较容易（尽管这是一个极端情况）。
残差映射可以更容易地学习同一函数，例如将权重层中的参数近似为零。
利用残差块（residual blocks）可以训练出一个有效的深层神经网络：输入可以通过层间的残余连接更快地向前传播。
残差网络（ResNet）对随后的深层神经网络设计产生了深远影响。