人们认为卷积层和池化层的层数越多,获取到的图片特征信息越全,学习效果也就越好。但是在实际的试验中发现,随着卷积层和池化层的叠加,不但没有出现学习效果越来越好的情况,反而两种问题:
1、梯度消失和梯度爆炸
梯度消失:若每一层的误差梯度小于1,反向传播时,网络越深,梯度越趋近于0
梯度爆炸:若每一层的误差梯度大于1,反向传播时,网络越深,梯度越来越大
2、退化问题
随着层数的增加,预测效果反而越来越差。
结构如下图:
代码实现:
1×1 卷积所实现的功能是遍历所有单元格,实现升维或降维的操作(使相加的两矩阵维度相等)
通过大量的上述残差块的堆叠,形成残差神经网络。
由于使用的激活函数为relu,在梯度下降时可防止梯度消失和梯度爆炸(relu的梯度为1),但在向下一层学习时容易学不到新的特征(),这就导致增加的层什么也不学习,仅仅复制浅层网络的特征,即这样新层是恒等映射(Identity mapping)。
残差结构:当输入为 x时其学习到的特征记为F(x), 现在再加一条分支,直接跳到堆积层的输出, 这种跳跃连接就叫做shortcut connection,则此时最终输出H(x) = F(x) + x,这样新的层就学习到了新的特征。
上面左图两层结构的叫BasicBlock,一般适用于ResNet18和ResNet34,
而右图三层的残差结构叫Bottleneck,一般适用于ResNet50及更深的层。