论文笔记系列：主干网络-- ResNet

Posted 2022-11-23 GoAI

tags:

篇首语：本文由小常识网(cha138.com)小编为大家整理，主要介绍了论文笔记系列：主干网络-- ResNet相关的知识，希望对你有一定的参考价值。

✨写在前面：强烈推荐给大家一个优秀的人工智能学习网站，内容包括人工智能基础、机器学习、深度学习神经网络等，详细介绍各部分概念及实战教程，通俗易懂，非常适合人工智能领域初学者及研究者学习。➡️点击跳转到网站。

深度残差学习网络 Deep Residual Learning for Image Recognition

论文链接： 《Deep Residual Learning for Image Recognition》

Resnet介绍：

ResNet 网络是在 2015年由微软实验室中的何凯明等几位大神提出，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数据集中目标检测第一名，图像分割第一名。对应的论文《Deep Residual Learning for Image Recognition》是 2016 CVPR 最佳论文。

研究目的：

模型退化现象，随网络深度增加，准确率变得越来越饱和，到达某个点后准确度直接下降。

网络特点：

1.超深的网络结构（超过1000层）。
2.提出residual（残差结构）模块。
3.使用Batch Normalization 加速训练（丢弃dropout）。

论文结构

摘要： 深度网络训练难；残差网络可训练1000层网络；成就。
1. Introduction： 提出深层网络存在模型退化问题；分析问题并提出残差学习策略、
2. Related Work： 列举残差学习应用例子；单独用一段对比Highway Network。
3. Deep Residual Learning： Residual learning； identity learning；Network Architecture。
4. Experiments： 对ResNet
进行实验

一、摘要核心

① 提出问题：深度卷积网络难训练。

② 本文方法：残差学习框架可以让深层网络更容易训练

③ 本文优点：ResNet易优化，并随着层数增加精度也能提升

④ 本文的工作和成果

二、训练技巧

① 残差结构

（1）网络退化（论文中的1）

网络退化问题：越深精度越低，即当模型的层次加深时，错误率却提高了。
分析：
问题1：梯度消失和爆炸，因为当模型变复杂时，SGD的优化变得更加困难，导致了模型达不到好的学习效果。消失问题很好的用初始化和normalize layer解决（eg.BN)

问题2：网络退化问题,越深精度越低，原因并不是过拟合而是网络退化的问题
深层网络可以看成是浅层网络基础上拓展一些额外层，若增加的那些层是恒等映射，则深层网络等价于浅层网络
提出解决深层网络的退化问题的方法：deep residual learning framework
拟合f(x)比拟合H(x)要容易
假设要拟合的是恒等映射，残差结构比普通结构更容易拟合，残差结构的网络层输出0就可以实现恒等映射

（2）residual learning（论文中的3.1）

第一段：1. 让网络层拟合H(x)-x，而不是H（x）

第二段：
1.去拟合H(x)-x这个思想是从网络退化得到启发的
2.网络层拟合x比较难
3.让网络层拟合0比较容易，因此网络层拟合0，再加上x就很容易得到恒等映射

第三段：
1.网络层不可能理想化拟合0
2.图7实验表明网络层虽然不能拟合0，但是其输出比较小

让额外的网络层更容易的学习到恒等映射
skip connection== shortcut connection == residual learning

（3）shortcut mapping （论文中的3.2）

shortcut有利于梯度转播。恒等映射使得梯度畅通无阻的从后向前传播，这使得ResNet结构可拓展到上千层。
当维度不匹配时可对x进行线性变换，W_s仅用于维度匹配
identity与F（x）结合形式，三种shortcut策略
A：仅分辨率变化处用零补齐
B：仅分辨率变化处用线性变换，通过网络层映射（比如添加1×1卷积），使特征图达到相同维度
C：所有shortcut用线性变换（比如1×1卷积）

若F（x）=0，则H（x）=x，网络实现恒等映射。深层网络接近浅层网络的性能