目录

from

# 从ResNet说起

# 更深的网络

# 理解shortcut

# WRN之宽度残差块

# 退化现象

---

from

WideResNet(宽残差网络)算法解析-鸟类识别分类-Pytorch实战-CSDN博客

# 前言

1. ResNet可以训练出更深的CNN模型
2. ResNet模型的核心是建立前面层和后面层之间“短路链接”（shortcuts,skip connection）
3. 网络层数的增加，分类准确率提高1%的代价=层数的两倍
4. 残差网的训练：特征利用率逐渐下降，训练速度非常慢

→于是人们想到增加模型的宽度，出现了Wide Residual Networks（WRNs）架构

        →减少深度的同时，增加模型的宽度

# 从ResNet说起

1. 残差单元（resdual unit）= 2个卷积层(conv)+1个跳跃连接（shortcut）
2. 解决梯度消失和梯度爆炸的问题（怎么解决的？）
3. 让网络在更深的层数下取得更好的性能
4. 跳跃连接（shortcut）:直接将输入信号从一个残差单元传递到下一个残差单元(所以跳跃连接怎么了？)  解决：深度神经网络的退化问题 

# 更深的网络

• 梯度消失和梯度爆炸
  • 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
  • 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
• 退化问题
  • 随着层数的增加，预测效果反而越来越差。
• 解决
• 为了解决梯度消失或梯度爆炸问题：在网络中使用 BN（Batch Normalization）层来解决
• 解决退化问题：跳跃连接（shortcut  理解为捷径）

# 理解shortcut

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。

它对每层的输入做一个reference(X), 学习形成残差函数， 而不是学习一些没有reference(X)的函数。

# WRN之宽度残差块

• 图（a）：ResNet的残差块结构
• 图（b）：RresNet提出的bottleneck结构，用于更深的层
• 图（c）：宽残差块结构，通过增加输出通道的数量使模型变得更宽
• 图（d）：在两层卷积中加入了dropout

卷积核的数量决定输出通道的数量

宽残差块是指在残差块内增加更多的卷积核，从而增加特征通道的数量。传统的残差块由两个卷积层组成，每个卷积层通常只有少量的卷积核。而在WideResNet中，每个残差块都包含两个卷积层，其中第二个卷积层的卷积核数目非常大，相当于将特征通道的数目提高了数倍。

宽度残差网的核心❤️：增加输出通道的宽度

# 退化现象

from：残差神经网络（ResNet） - 知乎 (zhihu.com)

1. 把退化现象归因为深层神经网络难以实现“恒等变换（y=x）”。乍一看，让人难以置信，原来能够模拟任何函数的深层神经网络，竟然无法实现恒等变换这么简单的映射了
2. 退化现象让我们对非线性转换进行反思，非线性转换极大的提高了数据分类能力，但是，随着网络的深度不断的加大，我们在非线性转换方面已经走的太远，竟然无法实现线性转换。
3. 随着网络深度的不断增大，所引入的激活函数也越来越多，数据被映射到更加离散的空间，此时已经难以让数据回到原点（恒等变换）