ResNet残差神经网络 作者：马育民 • 2020-04-12 15:10 • 阅读：10551 # 概述 ResNet，Deep residual network，深度残差网络 作者：[何凯明](http://kaiminghe.com/ "何凯明") 由于 ResNet的优秀，摘得CVPR2016最佳论文奖 论文下载地址： https://arxiv.org/abs/1512.03385 # 为什么学习ResNet ### 优秀 ResNet网络 与 其他网络在 ImageNet 的对比结果 [](https://www.malaoshi.top/upload/0/0/1EF5KZkrNWtw.png) ### 突破 在ResNet出现之前，深度神经网络一般 **不超过20层**，随着层数越多，越容易引起 **退化**，准确率无法上升，甚至出现下降。 如：只有VGG16 和 VGG19，没有超过20层 ResNet 提出的思想，突破这一限制，有34层、50层、101层、152层 ### 启发 受到ResNet的启发，很多作者又提出了更优秀的神经网络，如：DenseNet等 # 为何难以突破20层 一般增加网络层数后，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，当超过20层时，层数越多越会出现 **退化** 问题（Degradation problem）：网络准确度出现饱和，甚至出现下降。 **注意：**不是过拟合导致的 如下图： [](https://www.malaoshi.top/upload/0/0/1EF5KUgAWZNn.png) 56层的网络比20层网络效果还要差。这不是过拟合，因为56层网络的训练误差同样高。 > 过拟合：是模型在训练数据上的损失值不断减小，在测试数据上的损失值先减小再增大 深层网络存在着 **梯度消失** 或 **梯度爆炸** 的问题，这使得深度学习模型很难训练。但是现在已经存在一些技术手段如BatchNorm来缓解这个问题。因此，出现深度网络的退化问题是非常令人诧异的。 关于 **梯度消失** 、 **梯度爆炸** 参见： https://www.malaoshi.top/show_1EF5UETXH6tN.html # 残差学习 ### 启发 浅层网络，通过堆积新层来建立深层网络，最差的情况是： **新增加的层什么也不学习**，**仅仅复制浅层网络的特征**，即这样新层是恒等映射（Identity mapping）。 在这种情况下，深层网络应该至少和浅层网络性能一样，**不应该出现退化现象** ### 短路连接（shortcut connection） 何凯明 提出了残差学习来解决退化问题。对于一个堆积层结构（层堆积而成）当输入为 `x` 时其学习到的特征记为`H(x)` （由上面可知，网络越深，`H(x)`越难以训练） 但是可以学习残差（Residual） `F(x)=H(x)-x` 如下图（此结构也称之为block）： [](https://www.malaoshi.top/upload/0/0/1EF5KVR4LufL.png) 当残差`F(x)`为0时，此时堆积层仅仅做了 **恒等映射**，至少网络性能不会下降，实际上残差不会为0，这也会使得堆积层在输入特征基础上学习到新的特征 ### 核心思想 原本学习的是直接通过卷积得到的图像特征`H(X)`，现在学习的是 **图像与特征的残差** `H(X)-X` 因为残差学习相比原始特征的直接学习更加容易。以下进行一个简单的证明。 ### 短路连接的实现 - 上图中的`weight layer`表示卷积层 - 输入`x`，经过2次卷积运算，用`F(X)`表示 - `F(X)`与输入`x`相加，然后用`relu`激活 ### 总结 残差学习相比直接学习更容易。当残差为0时（即：F(x)为0时），此时堆积层仅仅做了恒等映射，至少网络性能不会下降，实际上残差不会为0，这也会使得堆积层在输入特征基础上学习到新的特征，从而拥有更好的性能。 这种类似与电路中的“短路”，所以是一种短路连接（**shortcut connection**）。 # ResNet34的网络结构 ResNet网络是参考了VGG19网络，在其基础上进行了修改，并通过短路机制加入了残差单元 下图是VGG19、普通的34层网络 和 ResNet34的网络结构对比图： [](https://www.malaoshi.top/upload/0/0/1EF5KW6TpGnt.jpg) ### 34-layer plain 按照VGG19的理论，继续加卷积层，加到34层网络时，训练此网络，会发生 **退化** 问题 ### 34-layer ResNet - 每两层增加了 **短路机制**，形成 **残差学习** - 虚线表示卷积核数量增加一倍，`stride=2`做下采样，即：feature map尺寸小一半、数量增加一倍，这保持了网络层的复杂度。 - 最后用`global average pool`层替换了全连接层，参数更少 ### 对比网络效果 对比18-layer 和 34-layer 的网络效果，如下图： [](https://www.malaoshi.top/upload/0/0/1EF5KYYXSVrt.png) 普通的 18-layer 和 34-layer 网络出现退化现象，但是ResNet 18-layer 和 34-layer 没有退化问题。 # ResNet各类网络结构 [](https://www.malaoshi.top/upload/0/0/1EF5KW5v4dtq.png) ### stage conv1 到 conv5_x，每一个称之为stage，即：stage1 到 stage5 ### block 每一个`[]`括起来的，称之为一个 block 也就是说，一个stage由若干个重复的block组成 # 50层以下的残差块 50层以下的残差块： [](https://www.malaoshi.top/upload/0/0/1EF5KYkrZx90.png) 特点如下： - 每一个 block 由 2 层卷积 组成，每两层进行一次残差学习 - 所有的卷积核大小都是`3x3` - **下一个stage的卷积核数量是上一个的2倍** - 每个 stage，block 重复次数不同 对于短路连接（shortcut connection），当输入和输出维度一致时，可以直接将输入加到输出上 # 50层以上的残差块 超过50层的Resnet，残差块是 3层卷积操作，如下图： [](https://www.malaoshi.top/upload/0/0/1EF5KYoAXao6.png) - 通过 第一层 卷积运算（卷积核大小：1x1，数量：上一层的1/4） **目的：**降低维度，为下一步卷积降低运算量，称之为：**bottleneck--瓶颈** - 通过 第二层 卷积运算（卷积核大小：3x3，数量与第一层相同） - 通过 第三层 卷积运算（卷积核大小：1x1，数量是上一层的4倍） 目的：升高维度，将复杂度恢复到之前 ### bottleneck 瓶颈 50层以上的ResNet，残差块的 **第一层** 相当于下图中的 **bottleneck 瓶颈**，其作用就是将上层的 输入 降维，否则运算量太大，第三层再将维度升上去，所以看上去就像下图： [](https://www.malaoshi.top/upload/0/0/1EF5WTJseyMy.jpg) **合理的运用瓶颈，能减小运算量，而且不会影响网络性能** # ResNet发展 按照发展，分为： 2. ResNet V2 3. ResNeXt 原文出处：/show_1EF5Ka4fKW9A.html