Highway Networks

       随着神经网络的发展，网络的深度逐渐加深（更深的层数以及更小的感受野，能够提高网络分类的准确性(Szegedy et al.,2014;Simonyan & Zisserman,2014)），网络的训练也就变得越来越困难。Highway Networks就是一种解决深层次网络训练困难的网络框架。

      以下这几篇文章证明了优化深层神经网络十分困难（写文章的时候肯定用得到，先记下）：（Glorot & Bengio,2010;Saxe et al.,2013;He et al.,2015，）   (Simonyan & Zisserman,2014; Romero et al., 2014）  （Szegedy et al.,2014; Lee et al., 2015）。

    Highway Networks：一种可学习的门限机制，在此机制下，一些信息流没有衰减的通过一些网络层，适用于SGD法。

   公式：

   传统的神经网络前项传播（忽略偏置和层索引）：

        （1）

   H为非线性函数，W权重，x输入，y输出。

   Highway Networks的前项传播：

       （2）

   T为转换门（transform gate），C为携带门（carry gate）（不知道这么起名对不，反正很难听，哈哈），

C=1-T，即 

x,y, H(x,WH)andT(x,WT)的维度必须相同，不够补零。

   最后得到

该层的雅可比变换为：

   

这样一部分数据进行处理，一部分直接通过。最后的输出公式就是

          Highway Networks的卷基层与全链接层相似，对权值共享和局部感受野进行H和T的转化。

转化门T定义，W T  为权重矩阵，bT 为偏置。

    整个结构差不多就是这样，在过深的网络里，如果每个数据流都进行所有的处理，加大计算复杂度和反向传播的难度，所以就需要对数据进行处理，在某些网络层，数据不进行处理（个人理解啊）。 

    接下来就是实验

    相对于深层神经网络，在相同的结构与深度的条件下，Highway Networks与一般的网络进行对比，结果为下图

从图上可以看到，当深度为10的时候，Highway Networks的结果并不理想，但20层以及以后，结果显而易见，远远好于一般的网络。

    相对浅层神经网络，作者将Highway Networks与Fitnet（文章地址： http://arxiv.org/abs/1412.6550）网络进行对比，数据集为CIFAR-10，效果如下：

   

  从上表看出，在浅层网络，Highway Networks的的效果也还不错。

caffe 代码 https://github.com/flukeskywalker/highway-networks

快12点了，就到这吧，有些精华的东西可能表达的不准确，大家多提意见，睡~

       

参考文章：Highway Networks ： http://arxiv.org/abs/1505.00387