深度学习：残差网络(ResNet)的原理及优缺点

深度学习：残差网络(ResNet)的原理及优缺点

引用

CSDN

1.

https://m.blog.csdn.net/mohanyelong/article/details/142524727

残差网络（ResNet）是深度学习领域的重要里程碑，由微软研究院的Kaiming He等人在2015年提出。它通过引入残差块和捷径连接，成功解决了深度神经网络中的梯度消失和梯度爆炸问题，使得训练更深的网络成为可能。本文将详细介绍ResNet的原理、组成及其优缺点。

概念：

残差网络（Residual Network，简称ResNet）是一种深度卷积神经网络架构，它在2015年由微软研究院的Kaiming He等人提出。ResNet解决了深度学习领域中的一个关键问题：随着网络深度的增加，网络的性能反而可能下降。这一现象被称为梯度消失和梯度爆炸，它们会导致在训练过程中难以有效地更新网络权重。

如何解决问题？

为了解决梯度消失或梯度爆炸问题，论文提出通过数据的预处理以及在网络中使用 BN（Batch Normalization）层来解决。 为了解决深层网络中的退化问题，可以人为地让神经网络某些层跳过下一层神经元的连接，隔层相连，弱化每层之间的强联系。这种神经网络被称为 残差网络 (ResNets)。

residual结构使用了一种shortcut的连接方式，也可理解为捷径。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。

ResNet的组成：

1. 残差块（Residual Block）：

• 每个残差块包含输入和输出之间的一条捷径（shortcut connection）或恒等连接（identity shortcut）。
• 捷径连接可以跳过一个或多个卷积层，将输入直接添加到输出。

2. 恒等映射（Identity Mapping）：

• 在残差块中，如果输入和输出的维度相同，输入可以直接通过捷径连接添加到输出上，即 F(x)+xF(x)+x。
• 这种结构允许梯度在网络中直接传播，从而缓解梯度消失问题。

3. 维度匹配（Dimension Matching）：

• 当输入和输出的维度不匹配时，通过1x1的卷积进行降维或升维，以确保输入和输出可以通过捷径连接相加。

4. 深层网络训练：

• ResNet允许构建非常深的网络，因为残差块可以很容易地堆叠，而不会显著增加训练难度。

5. 退化问题（Degradation Problem）：

• 随着网络深度的增加，理论上网络的性能应该提高，但实际上可能会出现性能饱和甚至下降的现象，这被称为退化问题。
• ResNet通过残差学习解决了这个问题，即使网络很深，也能保证性能不会下降。

6. Batch Normalization：

• ResNet在每个卷积层之后使用批量归一化（Batch Normalization），这有助于加速训练并提高性能。

7. ReLU激活函数：

• 在每个卷积层和批量归一化之后使用ReLU激活函数，增加非线性。

8. 全局平均池化（Global Average Pooling）：

• 在网络的最后，使用全局平均池化层代替全连接层，以减少参数数量。

9. 训练技巧：

• 使用适当的初始化方法，如He初始化。
• 使用适当的学习率和正则化技术。

残差网络的优缺点

优点：

1. 解决梯度消失问题：通过残差块的恒等映射，ResNet允许梯度直接流向前面的层，有效缓解了梯度消失问题 。
2. 提高训练效率：ResNet允许使用更大的学习率和更深层次的网络，从而加快了收敛速度 。
3. 强大的特征提取能力：ResNet通过深层网络学习到更复杂的特征表示，提升了图像分类、目标检测等任务的性能 。
4. 良好的泛化能力：即使网络非常深，ResNet也能保持良好的泛化能力，不会发生过拟合 。
5. 网络结构的灵活性：ResNet的网络结构可以灵活调整，通过增减残差块的数量来适应不同的任务和数据集 。

缺点：

1. 计算资源消耗大：ResNet模型较深，需要更多的计算资源和训练时间，特别是在网络较深时 。
2. 参数数量较多：与一些轻量级模型相比，ResNet的参数数量较多，可能会导致在资源受限的环境中部署困难 。
3. 可能存在冗余：ResNet中可能存在大量冗余层，这些层并不总是必要的，有时可以通过随机深度网络进行训练来解决这个问题 。
4. 特征失真：由于残差块中输入与输出的直接相加，可能会造成特征失真，特别是当输入和输出尺寸不匹配时 。
5. 对小规模数据集泛化能力有限：在小规模数据集上，ResNet可能不会表现得比浅层网络更好，因为它的复杂性可能导致过拟合 。