[人工智能-深度学习-38]：卷积神经网络CNN - 常见分类网络- ResNet网络架构分析与详解

Posted 2021-11-11 文火冰糖的硅基工坊

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120915279

---

目录

第1章 卷积神经网络基础

1.1 卷积神经发展与进化史

1.2 卷积神经网络的核心要素

1.3 卷积神经网络的描述方法

1.4 人工智能三巨头  + 华人圈名人

第2章 ResNet网络概述

2.1 传统网络遇到的困境

2.2 ResNet网络概述

2.3 ResNet网络的层数

2.4 何明凯其人

2.5 什么是“残差”？

2.6 “残差”内在的思想

第3章 “残差”块的基本组成

第4章 ResNet的网络结构

4.1 NesNET-34网络结构-1（全部描述）

4.2 NesNET-34网络结构-2（简化描述）

4.3 不同层的残差网络

4.4 不同层的残差网络的性能比较

---

---

第1章 卷积神经网络基础

1.1 卷积神经发展与进化史

 AlexNet是深度学习的起点，后续各种深度学习的网络或算法，都是源于AlexNet网络。

[人工智能-深度学习-31]：卷积神经网络CNN - 常见卷积神经网络综合比较大全_文火冰糖（王文兵）的博客-CSDN博客作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：第1章 人工智能发展的3次浪潮1.1人工智能的发展报告2011-2020资料来源：清华大学、中国人工智能学会《人工智能的发展报告2011-2020》，赛迪研究院、人工智能产业创新联盟《人工智能实践录》，中金公司研究部► 第一次浪潮（1956-1974年）：AI思潮赋予机器逻辑推理能力。伴随着“人工智能”这一新兴概念的兴起，人们对AI的未来充满了想象，人工智能迎来第一次发展浪潮。这.https://blog.csdn.net/HiWangWenBing/article/details/120835303

1.2 卷积神经网络的核心要素

[人工智能-深度学习-27]：卷积神经网络CNN - 核心概念（卷积、滑动、填充、参数共享、通道）_文火冰糖（王文兵）的博客-CSDN博客作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：目录第1章 卷积中的“积”的定义第2章 卷积中的“卷”的定义第3章 填充第4章 单个卷积核的输出第5章 多个卷积核的输出第6章 卷积对图形变换第7章 池化层第8章 全连接的dropout第1章 卷积中的“积”的定义第2章 卷积中的“卷”的定义stride：反映的每次移动的像素点的个数。第3章 填充...https://blog.csdn.net/HiWangWenBing/article/details/120806277

1.3 卷积神经网络的描述方法

[人工智能-深度学习-28]：卷积神经网络CNN - 网络架构与描述方法_文火冰糖（王文兵）的博客-CSDN博客作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：目录第1章 什么是卷积神经网络第2章 卷积神经网络的描述方法第3章 卷积神经网络的本质第4章 卷积神经网络的总体框框第5章卷积神经网络的发展与常见类型与分类第6章 常见的卷积神经网络6.1 AlexNet6.2 VGGNet6.3 GoogleNet： inception结构6.4 google net6.5 ResNet第7章 常见图形训练库第1.https://blog.csdn.net/HiWangWenBing/article/details/120806599

1.4 人工智能三巨头  + 华人圈名人

Yoshua Bengio、Yann LeCun、Geoffrey Hinton共同获得了2018年的图灵奖。

杰弗里·埃弗里斯特·辛顿（Geoffrey Everest Hinton），计算机学家、心理学家，被称为“神经网络之父”、“深度学习鼻祖”。Hinton是机器学习领域的加拿大首席学者，是加拿大高等研究院赞助的“神经计算和自适应感知”项目的领导者，是盖茨比计算神经科学中心的创始人，目前担任多伦多大学计算机科学系教授。2013年3月，谷歌收购 Hinton 的公司 DNNResearch 后，他便随即加入谷歌，直至目前一直在 Google Brain 中担任要职。

Yoshua Bengio是蒙特利尔大学（Université de Montréal）的终身教授，任教超过22年，是蒙特利尔大学机器学习研究所（MILA）的负责人，是CIFAR项目的负责人之一，负责神经计算和自适应感知器等方面，又是加拿大统计学习算法学会的主席，是ApSTAT技术的发起人与研发大牛。Bengio在蒙特利尔大学任教之前，是AT&T贝尔实验室 & MIT的机器学习博士后。

Yann LeCun，担任Facebook首席人工智能科学家和纽约大学教授，1987年至1988年，Yann LeCun是多伦多大学Geoffrey Hinton实验室的博士后研究员。

第2章 ResNet网络概述

2.1 传统网络遇到的困境

[人工智能-深度学习-36]：卷积神经网络CNN - 简单地网络层数堆叠导致的问题分析（梯度消失、梯度弥散、梯度爆炸）与解决之道_文火冰糖（王文兵）的博客-CSDN博客作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客本文网址：目录第1章 简单堆叠神经元导致参数量剧增的问题1.1 网络层数增加大带来的好处1.2 一个奇怪的现象1.3网络层数增加带来的负面效果第2章 参数量剧增导致的训练问题2.1 计算量的增加2.2 模型容易过拟合，泛化能力变差。2.3 梯度异常2.4 loss异常第3章 梯度消失：参数的变化率接近与3.1 什么是梯度消失和梯度弥散3.2梯度的由来：反向传播..https://blog.csdn.net/HiWangWenBing/article/details/120919308

2.2 ResNet网络概述

深度残差网络（Deep residual network, ResNet）的提出是CNN图像史上的又一件里程碑事件。

它由微软研究院的Kaiming He（何明凯）等四名华人提出，通过使用ResNet Unit成功训练出了152层的神经网络，在ILSVRC2015比赛中取得冠军, 取得了5项第一，并又一次刷新了CNN模型在ImageNet上的历史。

其在top5上的错误率仅为3.57%，在ImageNet比赛中，是首个准确率超过人眼的网络。

那么ResNet为什么会有如此优异的表现呢？

其实ResNet是解决了深度（20层以上）CNN模型难训练的问题。

2.3 ResNet网络的层数

而15年的ResNet多达152层，无论是VGG, 还是GgooLnet，这在网络深度上，与ResNet完全不是一个量级上。这里就有一个关键问题：ResNet是如何做到在增加网络深度的时候，同时能够克服深度网络的问题呢？

根本原因是，ResNet对网络架构上的革新，这才使得网络的深度优势发挥出作用，这个革新就是残差学习（Residual learning）。

它使得，随着网络层数的增加，其性能也同时增加，如下图所示：

2.4 何明凯其人

 何恺明，本科就读于清华大学，博士毕业于香港中文大学多媒体实验室。

2011年加入微软亚洲研究院（MSRA）工作，主要研究计算机视觉和深度学习。2016年，加入Facebook AI Research（FAIR）担任研究科学家。2020年1月11日，荣登AI全球最具影响力学者榜单。
 

2.5 什么是“残差”？

残差在数理统计中是指实际观察值与估计值（拟合值）之间的差。

“残差”蕴含了有关模型基本假设的重要信息。

如果回归模型正确的话， 我们可以将残差看作误差的观测值。

在ResNet网络中，“残差”表示的是ResNet网络的基本组成“块”，这个“块”表示具有差的性质，即使Y = X + F(X) => Y - X = F(X),  其中F(X)就是“残差”。

Y = X + F(X) 这样的结构就是“残差”块，由““残差”块叠加而成的网络就是“残差”。

2.6 “残差”内在的思想

浅层网络具备更多的特征信息，如果我们把浅层（低层管理层）的特征传到高层（管理层），让高层根据这些信息进行决策（分类和特征提取），那么高层最后的效果应该至少不比浅层的网络效果差，最坏的情况是与低层更好的效果，更普遍的情况是，高层由于有更多、更抽象的特征信息，因此高层的决策效果会比低层更准确。

更抽象的讲，我们需要一种技术，确保保证了L+1层的网络一定比 L层包含更多的图像信息。

这就是ResNet shortcut网络结构的底层逻辑和内在思想！！！。

 “残差”块是残差网络的核心，有必要深入了解其基本组成与原理。

第3章 “残差”块的基本组成

详解残差网络 - 知乎

shortcut连接相当于简单执行了同等映射，不会产生额外的参数，也不会增加计算复杂度。

第4章 ResNet的网络结构

4.1 NesNET-34网络结构-1（全部描述）

 4.2 NesNET-34网络结构-2（简化描述）

（1）输入

• 任意尺寸

（2）64通道卷积

• 7* 7 * 64的卷积核

（3）64通道的“残差块

• 3个残差块
• 每个残差块组成：2个3*3*64的卷积核

（4）128通道的“残差块

• 3+1=4个残差块
• 每个残差块组成：2个3*3*128的卷积核

（5）256通道的“残差块

• 5+1 = 6个残差块
• 每个残差块组成：2个3*3*256的卷积核

（6）512通道的“残差块

• 2+1 = 3个残差块
• 每个残差块组成：2个3*3*512的卷积核

（7）池化

• 平均池化

（8）1000分类的全连接

• 单层全连接
• 1000个全连接神经元
• 1000个输出

（9）总层数：34层

4.3 不同层的残差网络

• 随着网络层数的增加，精确度也在提升，网络的参数的数量和计算量也都在提升。
• 通过简单的堆叠“残差”块，提升网络的深度。

4.4 不同层的残差网络的性能比较

（1）比较图-1

备注：

Plain-18/34：表示非残差网络，34层的网络错误率反而低于18层的网络。

ResNet-18/34：表示残差网络，34层的网络错误率要高于18层的网络。

（2）比较图-2

ResNet-110 > ResNet-56 > ResNet-20 > Plain-20 > Plain-56

---

作者主页(文火冰糖的硅基工坊)：文火冰糖（王文兵）的博客_文火冰糖的硅基工坊_CSDN博客

本文网址：https://blog.csdn.net/HiWangWenBing/article/details/120915279