ResNet

相较于之前网络的优点:

1. 残差网络更容易优化。当深度增加的时候，残差网络的训练误差比普通网络低。
2. 当深度增加的时候，残差网络比起普通网络更易获得更高的准确率。

梯度消失/梯度爆炸：阻止收敛，难以训练

解决的方法一般有：

• 归一化初始化
• 中间层归一化

退化degradation:

现象：随着网络深度增加，准确率变得饱和然后迅速退化。
分析：这种退化不是由过拟合造成的，如果在合适深度的网络上叠加深度，会造成更高的训练误差。
"残差"结构能够解决这种退化问题。
残差网络容易训练的原因如下:
https://blog.csdn.net/legend_hua/article/details/81741992
即随着深度加深，在梯度传导的过程中不会产生梯度消失或者梯度爆炸的情况

• 残差学习:

  
  作者在另一篇论文中分析了几种basicblock在残差网络中产生的影响,论文名如下:
  "Identity Mappings in Deep Residual Networks"

  捷径shortcut:

  A. 零填充捷径
  B. 不同维度的结构之间使用投影捷径(1*1卷积)，其他映射是恒等捷径
  C. 所有结构之间使用投影捷径(1*1卷积)

Ref.

https://blog.csdn.net/wspba/article/details/72789964
http://spytensor.com/index.php/archives/14/?gyvkfy=8fvo03
https://www.cnblogs.com/yinheyi/p/6238968.html

转载于:https://www.cnblogs.com/alilliam/p/11414162.html