神经网络：Residual Network

《Deep Residual Learning for Image Recognition》论文解读。

---

本文来自于MSRA，作者是大神何凯明。

概述

本文提出了一种Residual learning的框架，和以前的深层模型比起来，层数要深很多。在ImageNet2015的比赛中，作者使用了152层的网络取得了第一名。

随着网络结构的加深，带来了两个问题：一是vanishing/exploding gradient，导致了训练十分难收敛，这类问题能够通过normalized initialization 和intermediate normalization layers解决；另一个是被称为degradation的退化现象。对合适的深度模型继续增加层数，模型准确率会下滑（不是overfit造成），training error和test error都会很高，相应的现象在CIFAR-10和ImageNet都有出现。

结构

作者提出了residual learning的网络结构。

假设潜在映射为H(x)，结构中的非线性层拟合残差 F(x):=H(x)−x