ResNet残差网络

1 为什么要使用残差网络模型

非常非常深的神经网络是很难训练的，因为存在**梯度消失**和**梯度爆炸**问题。

• Plain Networks
  如果我们使用标准优化算法训练一个普通网络，比如说梯度下降法，或者其它热门的优化算法。如果没有残差，没有这些捷径或者跳跃连接，凭经验你会发现随着网络深度的加深，训练错误会先减少，然后增多。而理论上，随着网络深度的加深，应该训练得越来越好才对。也就是说，理论上网络深度越深越好。 但实际上，如果没有残差网络，对于一个普通网络来说，深度越深意味着用优化算法越难训练。实际上，随着网络深度的加深，训练错误会越来越多。(左图）
• ResNet
  但有了ResNets就不一样了，即使网络再深，训练的表现却不错，比如说训练误差减少，就算是训练深达100层的网络也不例外。有人甚至在1000多层的神经网络中做过实验，尽管目前我还没有看到太多实际应用。但是对 的激活，或者这些中间的激活能够到达网络的更深层。这种方式确实有助于解决梯度消失和梯度爆炸问题，让我们在训练更深网络的同时，又能保证良好的性能。也许从另外一个角度来看，随着网络越来深，网络连接会变得臃肿，但是ResNet确实在训练深度网络方面非常有效。（ 右图）

2 残差网络模型结构

2.1 核心组件结构

2.1.1宏观结构

在ResNet网络结构中会用到两种残差模块，一种是以两个3X3的卷积网络串接在一起作为一个残差模块，另外一种是1X1、3X3、1X1的3个卷积网络串接在一起作为一个残差模块。如下图所示。

• 左图

其中左图为最原始的残差网络模型结构，（卷积核shape：3X3X64X64—> 3X3X64X64）。

• 右图

右图为改进后的模型结构，主要是利用Bootlenblock（1X1的卷积核）优化残差映射网络，即先从原始256通道数降到64通道数，经过3X3的卷积后保持64通道数不变，最后再经过1X1的卷积核把通道数从64升到256，主要是为了保持特征X与残差F(x)相加的通道数一致性，(卷积核shape:1X1X256X64—>3X3X64X64—>1X1X64X256）

2.1.2微观结构

• 前置激活与后置激活
  前置激活就是再卷积之前早BN和relu，反之则是在卷积之后做BN和relu，在模型的架构中前置激活和后置激活都会用，这需要看模型是如何设计的，我看到有一篇英文文献介绍了前置和后置激活对模型效果影响（英文文献 https://arxiv.org/pdf/1603.05027v2.pdf，中文文档 https://arxiv.org/pdf/1603.05027v2.pdf）
  
• 批归一化（Batch Normalization）
  从字面意思看来Batch Normalization（简称BN）就是对每一批数据进行归一化，确实如此，对于训练中某一个batch的数据{x1,x2,…,xn}，注意这个数据是可以输入也可以是网络中间的某一层输出。在BN出现之前，我们的归一化操作一般都在数据输入层，对输入的数据进行求均值以及求方差做归一化，但是BN的出现打破了这一个规定，我们可以在网络中任意一层进行归一化处理，因为我们现在所用的优化方法大多都是min-batch SGD，所以我们的归一化操作就成为Batch Normalization。
  BN是由Google于2015年提出，这是一个深度神经网络训练的技巧，它不仅可以加快了模型的收敛速度，而且更重要的是在一定程度缓解了深层网络中“梯度弥散”的问题，从而使得训练深层网络模型更加容易和稳定。所以目前BN已经成为几乎所有卷积神经网络的标配技巧了。
  BN具体操作细节请参考这篇博文：https://www.cnblogs.com/skyfsm/p/8453498.html

2.2 不同ResNet整体网络结构

ResNet有不同的网络层数，比较常用的是50-layer，101-layer，152-layer。他们都是由上述的残差模块堆叠在一起实现的。

3 代码示例及数据集

可以参考tensorflow的官网 https://github.com/tensorflow/models/tree/master/research/resnet
个人博客 https://github.com/liyaguo6/ResNet-Model

我自己也把代码下载下来，研究了3天的时间，才看懂代码运行过程，模型框架脚本文件看的比较细，基本都是能看懂，以后也打算按照这个脚本模式编写深度学习模型，另外，还有很多细节的地方还是尚不能理解，主要时有的tensorflow API以现在所积累的知识没看懂。个人github链接