深度学习系列(三)卷积神经网络模型(ResNet、ResNeXt、DenseNet、Dence Unet)
内容目录
1、ResNet2、ResNeXt3、DenseNet4、Dence Unet
1、ResNet
《Deep Residual Learning for Image Recognition》https://arxiv.org/abs/1512.03385在模型发展中,网络的深度逐渐变大,导致梯度消失问题,使得深层网络很难训练,梯度反向传播到前面的层,重复相乘可能使梯度无穷小,随着网络的层数更深,其性能趋于饱和,甚至开始迅速下降,下图所示,56层的性能比20层的性能差。
ResNet 的核心思想是引入一个所谓的Residual Block,即「恒等快捷连接」(identity shortcut connection),直接跳过一个或多个层,这种残差函数更容易优化,能使网络层数大大加深,残差函数F(x) = H(x) – x。如下图所示:
ResNet 架构如下,基于VGG19的架构,我们首先把网络增加到34层,增加过后的网络我们叫做plain network,再此基础上,增加残差模块,得到我们的Residual Network