ResNet || 残差网络结构学习、Batch Normalization、迁移学习

---

1 介绍ResNet网络

       ResNet在2015年由微软实验室提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。获得COCO数据集目标检测第一名，图像分割第一名。

       网络中的亮点：
（1）超深的网络结构（突破1000层）
（2）提出residual模块
（3）使用 Batch Normalization加速训练（丢弃dropout）

• 考虑到随着网络层数加深，会有：梯度消失（梯度爆炸）现象；退化问题（degradation problem） 但是ResNet可以解决这一问题！
  

• 这里左边的结构，用右边的结构代替了
  

• 实线的残差结构的shape前后是一致的，可以直接进行相加。

• 注意，这里的stride变化了
  

2 介绍 Batch Normalization

• BN 是2015年提出来的，通过BN 可以加速网络收敛，提升准确率~
• 使得每一个feature map，也就是每一个维度（channel），满足均值为0，方差为1的分布规律。
  

2.1 什么是feature map

在CNN中，数据格式是 b*c*w*h 的，可以看做是c个二维图片堆叠在一起，每一个都是一个feature map

• 比如说，红色、绿色和蓝色就分别是3个feature map
  

• 卷积之后的feature map：
  层与曾之间会有若干个卷积核（kernel）（也是过滤器），比如说最常用的 3×3， 64， 表示有 64个 3×3大小的卷积核。
  有N个卷积核，那么下层就会产生N个feature map

2.2 BN 的过程

1. 首先是对数据进行预处理(preprocessing)， 调整到满足某一分布规律，这样就能加速了。
2. 但是在conv1 之后，每一个feature map就不满足刚刚的分布规律了，此时就用用到 Batch Normalization 来使得每一个feature map 满足均值为0 方差为1

2.3 解读论文：Normalization via Mini-Batch Statistics

• 论文给出了标准化处理的公式：
  
• 举个例子：
  

2.4 使用BN时需要注意的问题

1. 训练时：training=True ， 在验证时training=False 在pytorch 中可以在 model.train() 和 model.eval() 方法控制。
2. batch size 需要尽量大一点，设置太小表现可能很糟糕，设置的越大求的均值和方差越接近整个训练集的均值和方差
3. 建议将BN层，放在卷积层和激活层之间，且卷积层不要设置偏置bias，因为没有用。

3 迁移学习

优势：
（1）能够快速的训练处一个理想的结果
（2）当数据集较小时也能训练处理想的效果

注意：使用别人与训练模型参数时，要注意别人的预处理方式。

---

• 下一篇文章讲的是，如何使用pytorch搭建ResNet网络~~有兴趣的小伙伴可以点击下方链接！

https://blog.csdn.net/weixin_42521185/article/details/124542423

---

• 最后再次感谢b站up主的分享！为你投币点赞转发，做你的野生代言人~~
  

https://www.bilibili.com/video/BV14E411H7Uw/?spm_id_from=pageDriver