CNN经典模型——ResNet
残差网络出自论文《Deep Residual Learning for Image Recognition》。
神经网络是否越深越好？
从经验来看，网络的深度对模型的性能至关重要，当增加网络层数后，网络可以进行更加复杂的特征模式的提取，所以当模型更深时理论上可以取得更好的结果。但是，网络深度越深其效果就越好吗？其实不然，经大量实践表明，神经网络随着层数的增加可能会出现两个问题：gradient vanishing/exploding problem（梯度爆炸/消失问题） 和 degradation problem（退化问题）。
增加深度带来的首个问题就是梯度爆炸/消失的问题，这是由于随着层数的增多，在网络中反向传播的梯度会随着连乘变得不稳定，变得特别大或者特别小。为了克服梯度消失也想出了许多的解决办法，如使用BatchNorm，将激活函数换为ReLu，使用Xaiver初始化等，可以说梯度消失问题已经得到了很好的解决。
增加深度的另一个问题就是网络的退化问题，即随着深度的增加，网络的性能会越来越差，直接体现为在训练集上的准确率会下降，残差网络文章解决的就是这个问题，而且在这个问题解决之后，网络的深度上升了好几个量级。
残差网络是由来自Microsoft Research的4位学者提出的卷积神经网络，在2015年的ImageNet大规模视觉识别竞赛（ImageNet Large Scale Visual Recognition Challenge, ILSVRC）中获得了图像分类和物体识别的优胜。 残差网络的特点是容易优化，并且能够通过增加相当的深度来提高准确率。其内部的残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
残差网络的残差块如图1所示。
残差结构人为制造了恒等映射，就能让整个结构朝着恒等映射的方向去收敛，确保最终的错误率不会因为深度的变大而越来越差。
残差的思想都是去掉相同的主体部分，从而突出微小的变化，引入残差后的映射对输出的变化更敏感。
残差网络的特点：
网络较瘦，控制了参数数量；
存在明显层级，特征图个数逐层递进，保证输出特征表达能力；
使用了较少的池化层，大量使用下采样，提高传播效率；
没有使用Dropout，利用BN和全局平均池化进行正则化，加快了训练速度；
层数较高时减少了3×3卷积个数，并用1×1卷积控制了3×3卷积的输入输出特征图数量，称这种结构为“瓶颈”(bottleneck)。
©著作权归作者所有：来自51CTO博客作者๑~夏时~๑的原创作品，如需转载，请注明出处，否则将追究法律责任