【回顾经典AI神作】理解和实现ResNet(最先进的图像分类)

以下三篇是介绍和改进残差网络的论文:
用于图像识别的深度残差学习（

ResNet成功了吗？

在ILSVRC 1分类竞赛中获得第一名，前2015名错误率为5.3%（集成模型）
在ILSVRC和COCO 1竞赛中荣获ImageNet检测，ImageNet本地化，Coco检测和Coco分割的第一名。
用 ResNet-16 替换 Faster R-CNN 中的 VGG-101 层。他们观察到相对改善了28%
具有 100 层和 1000 层的高效训练网络。

ResNet解决了什么问题？

问题：
当深度网络开始收敛时，就会暴露出一个退化问题：随着网络深度的增加，精度变得饱和，然后迅速下降。

看到有辱人格在行动：
让我们通过向浅层网络添加更多层来获取其更深层次的网络。

最坏情况：更深的模型的早期层可以用浅层网络代替，其余层可以只充当恒等函数（输入等于输出）。

有益的场景：在更深的网络中，额外的