Deep Learning tips -- ResNet的残差连接为什么是有用的？

Posted 2022-04-18 奋斗丶

一、前言

都知道何凯明大神的ResNet是为了解决“网络退化”问题，所谓的“网络退化”是指随着网络层次的加深，到达一定深度后，网络模型的性能不升反降，这被称为“网络退化”。如下图所示。
随着网络层次的加深，网络变得难以训练，不易收敛，原因在于随着网络层次的加深，深层梯度难以反向传播到浅层，即使传播到浅层，浅层的梯度值也小的可怜。
而ResNet利用残差连接，为什么能将网络做到很深的呢？其背后的原理是怎样的呢？刚入门深度学习时，没有认真考虑背后的原理，只是单纯地知道ResNet中残差连接到引入是为了解决“网络退化”问题，是为了网络更好的收敛。

二、背后的数学原理

首先回顾一下经典的残差结构，到现在为止，残差结果仍然广泛地应用于深度学习中，足以看出残差连接的重要性。

我们尝试对一个残差模块做前向传播的推导：

前向传播：

后向传播：
我们求loss function L对输入x的偏导数，即：

可以看到，如果没有残差结构，3个偏导数的乘积随着网络层次的加深会非常小，梯度到达饱和状态，网络不容易收敛。

而加入残差连接后，即使3个偏导数的乘积再小，但+1的操作使梯度值大大增加，非线性激活函数也到达非饱和区，这样做的好处在于：即使网络做的非常深，网络也是容易收敛、容易训练的！
-------------------------------------------------------------------------------------------------------------------------------
😈 你学会了吗？