【深度学习】（10）--ResNet残差网络

ResNet残差网络

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。

ResNet残差网络有两个核心特征：1. 残差结构；2. BN（Batch Normalization）。

1. 传统卷积神经网络的问题

神经网络都是通过卷积层和池化层的叠加组成的。在实际的试验中发现，随着卷积层和池化层的叠加，学习效果不会逐渐变好，反而出现2个问题：

1.1 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。

1.2 退化问题

由下图发现，训练的层数20层的错误率竟然比56层的错误率还要低。训练层数越多准确率反而下降了，这就是所谓的退化问题。

2. 解决问题

那么，我们该如何解决上述出现的问题呢？

2.1 梯度消失与爆炸

我们知道，对于解决梯度消失与爆炸问题，我们可以通过更换激活函数，比如ReLU函数。但是我们更改完激活函数之后，还是发生了梯度消失与爆炸问题，，该怎么解决呢？

为了解决梯度消失或梯度爆炸问题，论文提出通过数据的预处理以及在网络中使用 **BN（Batch Normalization）**层来解决。

2.2 退化问题

为了解决深层网络中的退化问题，可以人为地让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系。这种神经网络被称为残差网络 (ResNets)。

使用后结果如下图所示，随着卷积层和池化层的叠加，学习效果逐渐变好：

3. 残差结构

残差网络的结构有5种，分别为：

我们以18层结构为例，来介绍残差网络中的残差结构：

在整个18层结构中，我们发现了残差网络由很多的小残差结构组成：

对于残差结构的运作：当有图片传进卷积层后，将图片复制成两份，一份直接通过“捷径”抵达卷积后出口，另一份要经过卷积层计算，最后两者进行“整合”。

所谓“整合”，即两个图片对应矩阵位置相加。那这样，图片的值不会变的很大嘛？不会发生梯度爆炸的问题吗？

由于调整权重参数时是反向传播的，使得参数在调整时，会将两个图片整合调整在一个很好的位置，不是盲目相加，能够保留下有效信息，无效信息给剔除掉。当然，相加后值肯定会变大一点点，我们就是要让他增大一点点，防止退化呀！

结构归纳

残差结构：residual结构使用了一种shortcut的连接方式，也可理解为捷径。让特征矩阵隔层相加，注意F(X)和X形状要相同，所谓相加是特征矩阵相同位置上的数字进行相加。

4. BN（Batch Normalization）

Batch Normalization（批量归一化）目的：使所有的feature map满足均值为0，方差为1的分布规律。

我们一般在构建传统卷积神经网络模型中，在传入数据图片时，都对数据进行了归一化处理：

transforms.Normalize([0.485,0.456,0.406],[0.229,0.224,0.225]

在整个卷积神经网络中，每次卷积都会得到一批特征图，既然归一化能够使所有的特征都分布在相同大小的区域内，那为什么不对特征图也归一化呢？

所以，Batch Normalization（批量归一化）就是将每批次得到的特征图都进行归一化，减少大量对模型参数微调的时间。

总结

本篇介绍了：

1. ResNet残差网络的好处：解决梯度消失和梯度爆炸以及退化问题。
2. ResNet残差网络有两个核心特征：1. 残差结构；2. BN（Batch Normalization）。
   1. 残差结构：防止退化。
   2. BN：减少梯度消失和梯度爆炸问题。