本文共 1008 字，大约阅读时间需要 3 分钟。

目录

残差网络是由何恺明大神提出的一种卷积神经网络，作者通过152层的残差网络获得2015年ImageNet图像分类和物体识别的冠军。

因为CNN能够提取low/mid/high-level的特征，网络的层数越多，意味着能够提取到不同level的特征越丰富。越深的网络提取的特征越抽象，越具有实际信息，所以深层网络一般都比浅层网络的效果好。比如VGG网络就是在AlexNet网络的基础上通过增加网络深度而大幅提高了网络的性能。

对于原来的神经网络，如果只是简单地增加深度，则容易出现梯度爆炸或者梯度消失的问题，这个问题的解决方法是使用正则层（Batch Normalization）。

但是对于较深层的神经网络会出现另外一个问题：退化问题。随着网络层数增加，训练集的准确率出现下降。推测退化问题可能是深层的网络并不好训练，分类器很难利用深层网络拟合同等函数。

残差网络的核心是利用跳跃连接（skip connection），它可以从某一层网络层获取激活，然后迅速反馈给另外一层，甚至是神经网络的更深层。

 ResNet是由残差块（residual block）构建的网络。

上图是传统的神经网络，下图多了一条紫色道路，可以直接传到更深层的网络。

当然如果只学习恒等函数并不能提高神经网络的效果，不过如果这两个隐藏层单元学习到一些有用的东西，那么就比学习恒等函数效果更好。而对于不含有残差块的深度神经网络，当网络深度不断加深的时候，就算只是学习恒等函数的参数都变得十分困难，所以会出现退化问题，导致很多层最后的表现甚至出现更糟的情况。

换言之，普通深度神经网络如果深度太深，根据梯度下降算法，离输出层越远的隐含层的乘积项会越多（通常会越乘越小），导致这些层的神经元训练会越缓慢（如果计算机精度不够的话，可能还会变0）。而残差网络是在普通神经网络基础上，把两层或多层的神经元组成一个residual block，将输入block和从最后一层的输出相加再通过输出函数送进下一个block。这样的好处是，在梯度下降的计算上，偏导数变成了1＋原来的乘积项，就不会因为越乘越小，而出现远离最终输出的那层隐含层调参缓慢或甚至无法调参的情况。

Ws矩阵可以是一个包含已学习到的参数的矩阵，也可以是一个填充了许多0的固定矩阵。

ResNet就是比普通的VGG多了残差块，通过跳跃连接。

参考资料：吴恩达老师的深度学习课程和部分网友的总结

转载地址：http://kekqf.baihongyu.com/