文章目錄

• 一、ResNet 介紹
• • 1.1 ResNet 由來
  • 1.2 深度殘差網(wǎng)絡(luò) DRN 之恒等映射
  • 1.3 34層的深度殘差網(wǎng)絡(luò)的結(jié)構(gòu)圖
  • 1.4 深度殘差網(wǎng)絡(luò)的結(jié)構(gòu)圖實(shí)線和虛線
  • 1.5 不同層的殘差學(xué)習(xí)單元
• 二、ResNet 結(jié)構(gòu)
• • 2.1 ResNet基本架構(gòu)圖
  • 2.2 基本參數(shù)解釋
  • 2.3 residual 分支和 identity 分支
  • 2.4 Post-activation 和 Pre-activation
• 三、深度學(xué)習(xí)發(fā)展歷程

一、ResNet 介紹

1.1 ResNet 由來

??ResNet由微軟研究院的kaiming He等4名華人提出，通過使用Residual Unit成功訓(xùn)練152層深的神經(jīng)網(wǎng)絡(luò)，在ILSVRC 2015比賽中獲得了冠軍，取得3.57%的top5錯(cuò)誤率，同時(shí)參數(shù)量卻比VGGNet低，效果非常突出。ResNet的結(jié)構(gòu)可以極快地加速超深神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，模型的準(zhǔn)確率也有非常大的提升。

??ResNet最初的靈感出自這個(gè)問題：在不斷增加神經(jīng)網(wǎng)絡(luò)的深度時(shí)，會(huì)出現(xiàn)一個(gè)Degradation（退化）的問題，即準(zhǔn)確率會(huì)先上升然后達(dá)到飽和，再持續(xù)增加深度則會(huì)導(dǎo)致準(zhǔn)確率下降。這并不是過擬合的問題，因?yàn)椴还庠跍y試集上誤差增大，訓(xùn)練集本身誤差也會(huì)增大。

1.2 深度殘差網(wǎng)絡(luò) DRN 之恒等映射

??深度殘差網(wǎng)絡(luò)（Deep Residual Network，簡稱DRN）之恒等映射。

??前面描述了一個(gè)實(shí)驗(yàn)結(jié)果現(xiàn)象，在不斷加神經(jīng)網(wǎng)絡(luò)的深度時(shí)，模型準(zhǔn)確率會(huì)先上升然后達(dá)到飽和，再持續(xù)增加深度時(shí)則會(huì)導(dǎo)致準(zhǔn)確率下降，示意圖如下：

??那么我們作這樣一個(gè)假設(shè)：假設(shè)現(xiàn)有一個(gè)比較淺的網(wǎng)絡(luò)（Shallow Net）已達(dá)到了飽和的準(zhǔn)確率，這時(shí)在它后面再加上幾個(gè)恒等映射層（Identity mapping，也即y=x，輸出等于輸入），這樣就增加了網(wǎng)絡(luò)的深度，并且起碼誤差不會(huì)增加，也即更深的網(wǎng)絡(luò)不應(yīng)該帶來訓(xùn)練集上誤差的上升。而這里提到的使用恒等映射直接將前一層輸出傳到后面的思想，便是著名深度殘差網(wǎng)絡(luò)ResNet的靈感來源。

??ResNet引入了殘差網(wǎng)絡(luò)結(jié)構(gòu)（residual network），通過這種殘差網(wǎng)絡(luò)結(jié)構(gòu)，可以把網(wǎng)絡(luò)層弄的很深（據(jù)說目前可以達(dá)到1000多層），并且最終的分類效果也非常好，殘差網(wǎng)絡(luò)的基本結(jié)構(gòu)如下圖所示，很明顯，該圖是帶有跳躍結(jié)構(gòu)的：

??假定某段神經(jīng)網(wǎng)絡(luò)的輸入是x，期望輸出是H(x)，即H(x)是期望的復(fù)雜潛在映射，如果是要學(xué)習(xí)這樣的模型，則訓(xùn)練難度會(huì)比較大；
??回想前面的假設(shè)，如果已經(jīng)學(xué)習(xí)到較飽和的準(zhǔn)確率（或者當(dāng)發(fā)現(xiàn)下層的誤差變大時(shí)），那么接下來的學(xué)習(xí)目標(biāo)就轉(zhuǎn)變?yōu)楹愕扔成涞膶W(xué)習(xí)，也就是使輸入x近似于輸出H(x)，以保持在后面的層次中不會(huì)造成精度下降。
??在上圖的殘差網(wǎng)絡(luò)結(jié)構(gòu)圖中，通過shortcut connections（捷徑連接） 的方式，直接把輸入x傳到輸出作為初始結(jié)果，輸出結(jié)果為H(x)=F(x)+x，當(dāng)F(x)=0時(shí)，那么H(x)=x，也就是上面所提到的恒等映射。于是，ResNet相當(dāng)于將學(xué)習(xí)目標(biāo)改變了，不再是學(xué)習(xí)一個(gè)完整的輸出，而是目標(biāo)值H(X)和x的差值，也就是所謂的 殘差F(x) := H(x)-x，因此，后面的訓(xùn)練目標(biāo)就是要將殘差結(jié)果逼近于0，使到隨著網(wǎng)絡(luò)加深，準(zhǔn)確率不下降。

??這種殘差跳躍式的結(jié)構(gòu)，打破了傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)n-1層的輸出只能給n層作為輸入的慣例，使某一層的輸出可以直接跨過幾層作為后面某一層的輸入，其意義在于為疊加多層網(wǎng)絡(luò)而使得整個(gè)學(xué)習(xí)模型的錯(cuò)誤率不降反升的難題提供了新的方向。
??至此，神經(jīng)網(wǎng)絡(luò)的層數(shù)可以超越之前的約束，達(dá)到幾十層、上百層甚至千層，為高級語義特征提取和分類提供了可行性。

1.3 34層的深度殘差網(wǎng)絡(luò)的結(jié)構(gòu)圖

??下面感受一下34層的深度殘差網(wǎng)絡(luò)的結(jié)構(gòu)圖，是不是很壯觀：

1.4 深度殘差網(wǎng)絡(luò)的結(jié)構(gòu)圖實(shí)線和虛線

??從圖可以看出，怎么有一些“shortcut connections（捷徑連接）”是實(shí)線，有一些是虛線，有什么區(qū)別呢？

??因?yàn)榻?jīng)過“shortcut connections（捷徑連接）”后，H(x)=F(x)+x，如果F(x)和x的通道相同，則可直接相加，那么通道不同怎么相加呢。上圖中的實(shí)線、虛線就是為了區(qū)分這兩種情況的：

• 實(shí)線的Connection部分，表示通道相同，如上圖的第一個(gè)粉色矩形和第三個(gè)粉色矩形，都是3x3x64的特征圖，由于通道相同，所以采用計(jì)算方式為H(x)=F(x)+x
• 虛線的的Connection部分，表示通道不同，如上圖的第一個(gè)綠色矩形和第三個(gè)綠色矩形，分別是3x3x64和3x3x128的特征圖，通道不同，采用的計(jì)算方式為H(x)=F(x)+Wx，其中W是卷積操作，用來調(diào)整x維度的。

1.5 不同層的殘差學(xué)習(xí)單元

??除了上面提到的兩層殘差學(xué)習(xí)單元，還有三層的殘差學(xué)習(xí)單元，如下圖所示：

??兩種結(jié)構(gòu)分別針對ResNet34（左圖）和ResNet50/101/152（右圖），其目的主要就是為了降低參數(shù)的數(shù)目。左圖是兩個(gè)3x3x256的卷積，參數(shù)數(shù)目: 3x3x256x256x2 = 1179648，右圖是第一個(gè)1x1的卷積把256維通道降到64維，然后在最后通過1x1卷積恢復(fù)，整體上用的參數(shù)數(shù)目：1x1x256x64 + 3x3x64x64 + 1x1x64x256 = 69632，右圖的參數(shù)數(shù)量比左圖減少了16.94倍，因此，右圖的主要目的就是為了減少參數(shù)量，從而減少計(jì)算量。
??對于常規(guī)的ResNet，可以用于34層或者更少的網(wǎng)絡(luò)中（左圖）；對于更深的網(wǎng)絡(luò)（如101層），則使用右圖，其目的是減少計(jì)算和參數(shù)量。

??經(jīng)檢驗(yàn)，深度殘差網(wǎng)絡(luò)的確解決了退化問題，如下圖（后期更新實(shí)驗(yàn)用圖）所示，左圖為平原網(wǎng)絡(luò)（plain network）網(wǎng)絡(luò)層次越深（34層）比網(wǎng)絡(luò)層次淺的（18層）的誤差率更高；右圖為殘差網(wǎng)絡(luò)ResNet的網(wǎng)絡(luò)層次越深（34層）比網(wǎng)絡(luò)層次淺的（18層）的誤差率更低。

二、ResNet 結(jié)構(gòu)

2.1 ResNet基本架構(gòu)圖

• 圖1 是2016年ResNet V1 架構(gòu)圖；
  ??1）BN和ReLU在weight的后面；屬于常規(guī)范疇，我們平時(shí)也都這個(gè)順序：Conv → BN → ReLU；
  ??2）最后的ReLU在addition的后面；常規(guī)ReLU在addition的前面；

• 圖（2）的結(jié)構(gòu)為何會(huì)阻礙反向傳播時(shí)的信息。

• 圖3 是不work的情況

• 圖4 的結(jié)構(gòu)與ResNet原結(jié)構(gòu)伯仲之間，稍稍遜色

• 圖5 的結(jié)構(gòu)卻好于ResNet原結(jié)構(gòu)，是ResNet V2 架構(gòu)圖

2.2 基本參數(shù)解釋

• weight指conv層
• BN指Batch Normalization層
• ReLU指激活層
• addition指相加

2.3 residual 分支和 identity 分支

??ResNet要盡量保證兩點(diǎn)：
????1）不輕易改變”identity“分支的值，也就是輸入與輸出一致；
????2）addition之后不再接改變信息分布的層；

??對于每個(gè)圖右側(cè)部分我們稱作“residual”分支，左側(cè)部分我們稱作“identity”分支”。

??如果ReLU作為“residual”分支的結(jié)尾，我們不難發(fā)現(xiàn)“residual”分支的結(jié)果永遠(yuǎn)非負(fù)，這樣前向的時(shí)候輸入會(huì)單調(diào)遞增，從而會(huì)影響特征的表達(dá)能力，所以我們希望“residual”分支的結(jié)果應(yīng)該在（-∞， +∞）；這點(diǎn)也是我們以后設(shè)計(jì)網(wǎng)絡(luò)時(shí)所要注意的。

• 對于圖（3）把ReLU作為“residual”分支的結(jié)尾，所以是不work的情況。
• 如圖（2），保證了“residual”分支的取值范圍；但是，這里BN改變了“identity”分支的分布，影響了信息的傳遞，在訓(xùn)練的時(shí)候會(huì)阻礙loss的下降；

2.4 Post-activation 和 Pre-activation

??Post-activation”和”Pre-activation”，其中Post和Pre的概念是相對于weight(conv)層來說的，那么我們不難發(fā)現(xiàn)，圖(1), (2), (3)都是”Post-activation”，圖(4), (5)都是”Pre-activation”，那么兩種模式哪一個(gè)更好呢？這里我們就用實(shí)驗(yàn)結(jié)果說話。上圖是5種結(jié)構(gòu)在Cifar10上的實(shí)驗(yàn)結(jié)果；一共實(shí)驗(yàn)了兩種網(wǎng)絡(luò)ResNet110和ResNet164（注：這里直接摘抄了原文的圖片，本人后期將更新最新的實(shí)驗(yàn)圖）；

??從實(shí)驗(yàn)結(jié)果上，我們可以發(fā)現(xiàn)圖(4)的結(jié)構(gòu)與ResNet原結(jié)構(gòu)伯仲之間，稍稍遜色，然而圖(5)的結(jié)構(gòu)卻好于ResNet原結(jié)構(gòu)，我們通常把圖5的結(jié)構(gòu)稱作ResNetV2。

??圖5的結(jié)構(gòu)好的原因在于兩點(diǎn)：
????1）反向傳播基本符合假設(shè)，信息傳遞無阻礙；
????2）BN層作為pre-activation，起到了正則化的作用；

三、深度學(xué)習(xí)發(fā)展歷程

??ResNet在ILSVRC2015競賽中驚艷亮相，一下子將網(wǎng)絡(luò)深度提升到152層，將錯(cuò)誤率降到了3.57，在圖像識別錯(cuò)誤率和網(wǎng)絡(luò)深度方面，比往屆比賽有了非常大的提升，ResNet毫無懸念地奪得了ILSVRC2015的第一名。如下圖所示：

歡迎學(xué)習(xí)交流，個(gè)人QQ 87605025

總結(jié)

以上是生活随笔為你收集整理的ResNet（一）相关概念的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。