ResNet 残差网络

网络结构

残差块（Residual Block）

ResNet网络结构示意图

残差块（Residual Block）细节

基本残差块（ResNet-18/34）

Bottleneck残差块（ResNet-50/101/152）

残差连接类型对比

变体网络层数对比

关键设计总结

ResNet旨在解决深度神经网络中的梯度消失和退化问题。随着网络层数的增加，深层网络的性能反而可能下降，ResNet通过引入残差学习有效缓解了这一问题。

残差相当于‘短路网络’，在ResNet网络结构中，每个前置输入X除了正常的正向传播还会跨两层的直接传到激活函数的节点上

问题：为什么残差网络的层数可以更深（50层+），如何应对梯度消失问题？

‘短路’的设计+relu作为激活函数，使得在深层的网络甚至是输出层都带有原始的数据特征，加之relu的特性非1即0，梯度在连乘的过程中也可以得到较好的保留

网络结构

残差块（Residual Block）

ResNet的核心是残差块，其结构如下：

输入：x
输出：F(x)+x

其中：

F(x) 是残差函数，通常由几层卷积层组成。
x 是输入的直接映射（shortcut connection）。

ResNet网络结构示意图

整体架构（以ResNet-50为例）

残差块（Residual Block）细节

基本残差块（ResNet-18/34）

Bottleneck残差块（ResNet-50/101/152）

残差连接类型对比

类型	输入输出维度	实现方式
Identity Mapping	相同	直接相加（无额外操作）
Projection Shortcut	不同	通过1x1卷积调整通道和尺寸

变体网络层数对比

网络名称	总层数	残差块组成（Bottleneck数量）
ResNet-18	18	[2, 2, 2, 2]
ResNet-34	34	[3, 4, 6, 3]
ResNet-50	50	[3, 4, 6, 3]（Bottleneck）
ResNet-101	101	[3, 4, 23, 3]
ResNet-152	152	[3, 8, 36, 3]

关键设计总结

跳跃连接：解决梯度消失，允许直接传递原始信号。
Bottleneck结构：通过1x1卷积压缩和扩展通道数，减少计算量。
分阶段降采样：通过步幅2的卷积逐步缩小特征图尺寸，扩大感受野。
全局平均池化：替代全连接层，减少参数量，防止过拟合。

反向传播时跟loss比较接近的层通过残差的设计可以更好地传回前面，对参数进行调整

残差单元：先用1*1的卷积核提取特征让3*3的卷积核需要学习的参数减少，最后再用1*1的卷积核升维（增加卷积核的数量--增加通道数）

问题：keras框架中，DenseNet网络中参数‘growth_rate’的含义？

在Keras的DenseNet中，`growth_rate` 是一个关键超参数，用于控制网络的特征扩展速度和模型复杂度。

`growth_rate` 的定义：

`growth_rate`（通常记为 `k`）表示每个密集层（Dense Layer）输出的特征图（Channel）数量。

每个密集层会生成 `k` 个新特征图，并通过通道拼接（Concatenation）与之前所有层的特征图合并，作为下一层的输入。

`growth_rate` 的作用：

1. 特征复用与扩展

DenseNet中，每个密集层的输入是前面所有层输出的拼接。

若当前层是第 `l` 层，输入通道数为 `m + k*(l-1)`（`m` 为初始输入通道数），输出通道数增加 `k`。

`growth_rate` 控制每一层新增的特征图数量，直接影响网络的宽度。

2. 计算效率与模型复杂度

较小的 `k`（如 `k=12`）会限制特征图增长，降低计算量，但可能损失表达能力。

较大的 `k`（如 `k=32`）会增加模型容量，但计算成本和内存占用也会显著上升。

3. Bottleneck层设计

在用户提供的代码中，`1x1卷积`（输出通道为 `4*k`）用于压缩特征图，减少后续 `3x3卷积` 的计算量（输出通道为 `k`）。

这是DenseNet-B（Bottleneck版本）的典型设计，通过 `growth_rate` 控制Bottleneck结构的压缩比例。

DenseNet中的一个密集块（Dense Block）的实现：

# 输入x经过BN→ReLU→1x1卷积（压缩到4*k通道）→BN→ReLU→3x3卷积（输出k通道）
x1 = layers.Conv2D(4 * growth_rate, 1, ...)(x1)  # Bottleneck压缩
x1 = layers.Conv2D(growth_rate, 3, ...)(x1)      # 生成k个特征图
x = layers.Concatenate()([x, x1])                # 通道拼接