李沐论文精读： ResNet

目录

1 摘要

主要内容

主要图表

2 导论

2.1为什么提出残差结构

2.2 实验验证

3 实验部分

3.1 不同配置的ResNet结构

3.2 残差结构效果对比

3.3 残差结构中，输入输出维度不一致如何处理

3.4 深层ResNet引入瓶颈结构Botleneck

4 代码实现

4.1 残差块

4.2 ResNet模型

5 训练和测试

训练方法

测试

6 CIFAR-10 实验     

7 为什么残差网络有效

论文推荐

---

论文地址：https://arxiv.org/pdf/1512.03385.pdf

视频：撑起计算机视觉半边天的ResNet【论文精读】_哔哩哔哩_bilibili

博文：李沐论文精读系列一： ResNet、Transformer、GAN、BERT_神洛华的博客-CSDN博客_transformer gan的论文

代码：7.6. 残差网络（ResNet） — 动手学深度学习 2.0.0 documentation

1 摘要

主要内容

  深度神经网络很难训练，我们使用residual（残差结构）使得网络训练比之前容易很多。在ImageNet上使用了152层的ResNet，比VGG多8倍，但是计算复杂度更低，最终赢下了ImageNet2015的分类任务第一名。在cifar-10上训练100-1000层的网络。仅仅是把之前的网络换成残差网络，在coco数据集上就得到了28%的改进。同样也赢下了ImageNet目标检测、coco目标检测和coco segmentation的第一名。

主要图表

  上面这张图是没有使用残差结构的网络训练误差和测试误差，结果显示更深的层训练误差和测试误差比浅层更高，即深层网络其实是训练不动的。下面这张图，使用resnet结构的网络效果对比图。可以看到右侧使用残差结构后，34层的网络训练和测试的误差都更低。

2 导论

2.1为什么提出残差结构

  深度卷积神经网络是非常有效的，因为可以堆叠很多层，不同层可以表示不同level的特征。但是网络很深的时候很难优化，因为容易出现梯度消失或者梯度爆炸，解决办法一是一个好的网络权重初始化，使权重不能太大也不能太小；二是加入一些normalization，比如BN，这样可以校验每个层之间的输出，以及梯度的均值和方差，避免有些层太大或太小，这样比较深的网络是可以训练的（可以收敛）。但还有一个问题，深层网络性能会变差，精度也会变差。

  深层网络性能变差，不是因为网络层数多、模型变复杂而过拟合，因为过拟合是训练误差低，测试误差高，而这里训练误差也变高了。那为什么会这样呢？从理论上来说，给一个浅层网络中加入一些层，得到一个深一些的网络，后者的精度至少不应该变差，因为后者至少让新加的层做到identity mapping，而其它层直接从前者复制过来。如果能将新添加的层至少训练成恒等映射（identity mapping），那么新模型和原模型将同样有效。同时由于新模型由于更复杂，因此可能得出更优的解来拟合训练数据集，降低训练误差。但是实际上，SGD优化器无法找到这个比较优的解。

        所以作者显式地构造一个identity mapping，如果有些层学习效果不好，那么起码做到恒等映射，不要影响到后面层的学习，使得深层模型的精度至少不会变得更差。假设在原有层上添加一些新的层后，要学到的映射是 H(x) ，但是新的层不是直接学H(x) ，而是学习 H(x)−x，这部分用F(x)表示。即新加入的层学习残差函数F(x) = H(x) - x就行。模型的最后输出是F(x)+x。这种新加入的层就是residual。优化的目标成了F(x)。

结构如下图（右）所示：

        F(x)+x在数学上就是直接相加，在神经网络中是通过shortcut connections实现（shortcut就是跳过一个或多个层，将输入直接加到这些跳过的层的输出上）。shortcut其实做的是一个identity mapping（恒等映射），而且这个操作不需要学习任何参数，不增加模型的复杂度。就多了一个加法，也不增加计算量，网络结构基本不变，可以正常训练。

2.2 实验验证

  在imagenet上做了一系列实验进行验证。结果表明，1）加了残差的网络容易优化，2）残差网络由于网络堆的更深，精度也会提高。

3 实验部分

3.1 不同配置的ResNet结构

对照下面ResNet34结构图：（3+4+6+3）=16个残差模块，每个模块两层卷积层。再加上第一个7×7卷积层和最后一个全连接层，一共是34层。

3.2 残差结构效果对比

three major observations：

• 34层比18层好，degradation problem解决了
• 使用残差收敛更快，收敛结果更好

• 对于18层，The 18-layer plain/residual nets are comparably accurate, but the 18-layer ResNet converges faster  

3.3 残差结构中，输入输出维度不一致如何处理

A. pad补0，使维度一致；

B. 维度不一致的时候，使其映射到统一维度，比如使用全连接或者是CNN中的1×1卷积，使输出通道是输入的两倍。在resnet中，如果把输出通道数翻了两倍，输入的高和宽通常减半，因此1×1卷积stride=2

C. 不管输入输出维度是否一致，都进行投影映射。

  下面作者对这三种操作进行效果验证。从下面结果可以看到，B和C效果差不多，都比A好。但是做映射会增加很多复杂度，考虑到ResNet中大部分情况输入输出维度是一样的（只有4个模块衔接时，通道数会变），作者最后采用了方案B。

3.4 深层ResNet引入瓶颈结构Botleneck

        在ResNet-50及以上的结构中，模型更深了，可以学习更多的模式，所以通道数也要变大。比如前面模型配置表中，ResNet-50/101/152的第一个残差模块输出都是256维，与64维相比，增加到4倍，而计算量要增加到16倍，划不来

  设计了Bottleneck结构来提高效率。比如对于第一个模块，经过一个1×1卷积将输入从256维降为64维，然后做3×3卷积，经过一个1×1卷积再升维回256维。这样操作之后，复杂度和左侧图是差不多的。所以ResNet-50对比ResNet-34理论计算量变化不大。但是实际上1×1卷积计算效率没有别的卷积高，所以ResNet-50计算还是要贵一些。

4 代码实现

4.1 残差块

ResNet沿用了VGG完整的3×3卷积层设计。

• 残差块里首先有2个有相同输出通道数的3×3卷积层， 每个卷积层后接一个批量规范化层和ReLU激活函数。
• 如果2个卷积层的输出与输入形状一样，则通过跨层数据通路，将输入直接加在最后的ReLU激活函数前。
• 如果想改变通道数，就需要引入一个额外的1×1卷积层来将输入变换成需要的形状后，再做相加运算。

class Residual(nn.Module): 
    def __init__(self, input_channels, num_channels, use_1x1conv=False, strides=1):
        super().__init__()
        self.conv1 = nn.Conv2d(input_channels, num_channels,
                               kernel_size=3, padding=1, stride=strides)
        self.conv2 = nn.Conv2d(num_channels, num_channels,
                               kernel_size=3, padding=1)
        if use_1x1conv:
            self.conv3 = nn.Conv2d(input_channels, num_channels,
                                   kernel_size=1, stride=strides)
        else:
            self.conv3 = None
        self.bn1 = nn.BatchNorm2d(num_channels)
        self.bn2 = nn.BatchNorm2d(num_channels)


    def forward(self, X):
        Y = F.relu(self.bn1(self.conv1(X)))
        Y = self.bn2(self.conv2(Y))
        if self.conv3:
            X = self.conv3(X)
        Y += X
        return F.relu(Y)

此代码生成两种残差块：（use_1x1conv=True/False）

• 步幅为2 ，高宽减半，通道数增加。所以shortcut连接部分会加一个1×1卷积层改变通道数

blk = Residual(3,6, use_1x1conv=True, strides=2)
blk(X).shape

torch.Size([4, 6, 3, 3])

• 步幅为1，高宽不变，将输入添加到输出（应用ReLU非线性函数之前）

blk = Residual(3,3)
X = torch.rand(4, 3, 6, 6)
Y = blk(X)
Y.shape

torch.Size([4, 3, 6, 6])

上述实现和pytorch有点差别。pytorch在实现的时候，use_1x1conv之后还做了bath norm：

if stride != 1 or self.inplanes != planes * block.expansion:
            downsample = nn.Sequential(
                conv1x1(self.inplanes, planes * block.expansion, stride),
                norm_layer(planes * block.expansion),
            )

用到的1X1卷积：

def conv1x1(in_planes: int, out_planes: int, stride: int = 1) -> nn.Conv2d:
    """1x1 convolution"""
    return nn.Conv2d(in_planes, out_planes, kernel_size=1, stride=stride, bias=False)

4.2 ResNet模型

Full ResNet architecture:

- Stack residual blocks

- Every residual block has two 3x3 conv layers

- Periodically, double of filters and downsample spatially using stride 2 (/2 in each dimension)

- Additional conv layer at the beginning (stem)

- No FC layers at the end (only FC 1000 to output classes)

- In theory, you can train a ResNet with input image of variable sizes

- Global average pooling layer after last conv layer

ResNet的前两层跟GoogLeNet中的一样： 在输出通道数为64、步幅为2的7×7卷积层后，接步幅为2的3×3的最大汇聚层。 不同之处在于ResNet每个卷积层后增加了批量规范化层。

b1 = nn.Sequential(nn.Conv2d(1, 64, kernel_size=7, stride=2, padding=3),
                   nn.BatchNorm2d(64), nn.ReLU(),
                   nn.MaxPool2d(kernel_size=3, stride=2, padding=1))

下面，ResNet使用4个由残差块组成的模块，每个模块使用若干个同样输出通道数的残差块。

• 对于第一个模块：输出通道数同输入通道数一致，所以不用使用1x1conv；由于之前已经使用了步幅为2的最大汇聚层，所以无须减小高和宽。
• 对于之后的每个模块：第一个残差块里，输出通道数同输入通道数不一致，所以要使用1x1conv；第一个残差块将上一个模块的通道数翻倍，并将高和宽减半。

def resnet_block(input_channels, num_channels, num_residuals,
                 first_block=False):
    blk = []
    for i in range(num_residuals):
        if i == 0 and not first_block:
            blk.append(Residual(input_channels, num_channels,
                                use_1x1conv=True, strides=2))
        else:
            blk.append(Residual(num_channels, num_channels))
    return blk

b2 = nn.Sequential(*resnet_block(64, 64, 2, first_block=True))
b3 = nn.Sequential(*resnet_block(64, 128, 2))
b4 = nn.Sequential(*resnet_block(128, 256, 2))
b5 = nn.Sequential(*resnet_block(256, 512, 2))

全局平均汇聚层，以及全连接层输出

net = nn.Sequential(b1, b2, b3, b4, b5,
                    nn.AdaptiveAvgPool2d((1,1)),
                    nn.Flatten(), nn.Linear(512, 10))

观察一下ResNet中不同模块的输入形状是如何变化的

X = torch.rand(size=(1, 1, 224, 224))
for layer in net:
    X = layer(X)
    print(layer.__class__.__name__,'output shape:\t', X.shape)

Sequential output shape:         torch.Size([1, 64, 56, 56])

Sequential output shape:         torch.Size([1, 128, 28, 28])
Sequential output shape:         torch.Size([1, 256, 14, 14])
Sequential output shape:         torch.Size([1, 512, 7, 7])
AdaptiveAvgPool2d output shape:         torch.Size([1, 512, 1, 1])
Flatten output shape:         torch.Size([1, 512])
Linear output shape:         torch.Size([1, 10])

每个模块有4个卷积层（不包括恒等映射的1×1卷积层）。 加上第一个7×7卷积层和最后一个全连接层，共有18层。 因此，这种模型通常被称为ResNet-18。 通过配置不同的通道数和模块里的残差块数可以得到不同的ResNet模型，例如更深的含152层的ResNet-152。 虽然ResNet的主体架构跟GoogLeNet类似，但ResNet架构更简单，修改也更方便。这些因素都导致了ResNet迅速被广泛使用

 完整代码：

class Residual_Block(nn.Module):  
    def __init__(self, ic, oc, stride=1):
        super().__init__()
        self.conv1 = nn.Sequential(
            nn.Conv2d(ic, oc, kernel_size=3, padding=1, stride=stride),
            nn.BatchNorm2d(oc),
            nn.ReLU(inplace=True)
        )
            
        self.conv2 = nn.Sequential(
            nn.Conv2d(oc, oc, kernel_size=3, padding=1),
            nn.BatchNorm2d(oc)
        )
        
        self.relu = nn.ReLU(inplace=True)
        
        if stride != 1 or (ic != oc):  # 对于resnet18，or的两个条件一直，因为改变通道的时候，同时stride == 2
            self.conv3 = nn.Sequential(
                nn.Conv2d(ic, oc, kernel_size=1, stride=stride),
                nn.BatchNorm2d(oc)
            )
        else:
            self.conv3 = None
 
    def forward(self, X):
        Y = self.conv1(X)
        Y = self.conv2(Y)
        if self.conv3:
            X = self.conv3(X)
        Y += X
        return self.relu(Y)
 
    
class ResNet(nn.Module):
    def __init__(self, block = Residual_Block, num_layers = [2,2,2,2], num_classes=11):
        super().__init__()
        self.preconv = nn.Sequential(
            nn.Conv2d(3, 64, kernel_size=7, stride=2, padding=3),
            nn.BatchNorm2d(64), 
            nn.ReLU(),
            nn.MaxPool2d(kernel_size=3, stride=2, padding=1)
        )     
 
        self.layer0 = self.make_residual(block, 64, 64,  num_layers[0])
        self.layer1 = self.make_residual(block, 64, 128, num_layers[1], stride=2)
        self.layer2 = self.make_residual(block, 128, 256, num_layers[2], stride=2)
        self.layer3 = self.make_residual(block, 256, 512, num_layers[3], stride=2)
        
        self.postliner = nn.Sequential(
                    nn.AdaptiveAvgPool2d((1,1)),
                    nn.Flatten(), 
                    nn.Linear(512, num_classes)
        )
        
    def make_residual(self, block, ic, oc, num_layer, stride=1):
        layers = []
        layers.append(block(ic, oc, stride))
        for i in range(1, num_layer):
            layers.append(block(oc, oc)) 
        return nn.Sequential(*layers)
 
    def forward(self, x):
        out = self.preconv(x)
        out = self.layer0(out) # [64, 32, 32]
        out = self.layer1(out) # [128, 16, 16]
        out = self.layer2(out) # [256, 8, 8]
        out = self.layer3(out) # [512, 4, 4]
        out = self.postliner(out)
        return out  

5 训练和测试

训练方法

 -  图像处理：

• The image is resized with its shorter side randomly sampled in [256, 480].
• A 224×224 crop is randomly sampled from an image or its horizontal flip, with the per-pixel mean subtracted.
• The standard color augmentation is used.

- Batch Normalization after every CONV layer and before activation

- Xavier initialization from He et al.

- SGD + Momentum (0.9) + Weight decay of 1e-5

- Learning rate: starts from 0.1, divided by 10 when validation error plateaus

手动调整，现在不用这种做法。李老师认为即使精度变化已经平了，也不能跳的太早，否则后期收敛无力。表面上看没有做什么事情，但是模型在微调，不过在宏观数据上看不出来，多训练一会是不错的选择

- Mini-batch size 256

- No dropout used

测试

the standard 10-crop testing：给到测试图片，随机或按一定规则采样10张图片，在每个子图上做预测，把结果做评价 。并且不是在一个分辨率上，而是在不同分辨率上采样{224，256，384，480，640}.

6 CIFAR-10 实验     

      为什么在cifar-10这样一个小的数据集上（32*32图片5w张）训练1202层的网络，过拟合也不是很厉害。为何transformer那些模型几千亿的参数不会过拟合，李沐认为是加了残差连接之后，模型内在复杂度大大降低了。理论上模型加一些层，模型也至少可以将后面的层学成恒等映射，使精度不会变差，也就是更容易训练出一个简单模型来拟合数据，所以加入残差连接等于是模型复杂度降低了

7 为什么残差网络有效

      ResNet就是在CNN主干上加了残差连接，这样如果新加的层训练效果不好的话，至少可以fallback变回简单模型，所以精度不会变差。

      作者猜想拟合残差f(x) = H(x) - x更加容易。当理想映射f(x)极接近于恒等映射时，残差映射易于捕捉恒等映射的细微波动，其实就是看本层相对前几层是否有大的变化，相当于是一个差分放大器的作用。

We hypothesize that it is easier to optimize the residual mapping than to optimize the original, unreferenced mapping

If the optimal function is closer to an identity mapping than to a zero mapping, it should be easier for the solver to find the perturbations with reference to an identity mapping, than to learn the function as a new one.

  现在来看，ResNet训练的比较快，是因为梯度保持的比较好。下面g(x)是原来的层，f()是新加的层。增加了一个乘数，导致新加的层容易导致梯度消失，因为梯度一般较小（0-1的高斯分布）。加了残差连接，梯度包含了之前层的梯度（蓝色加号右侧项 ），这样不管加了多深，梯度会保持的比较大，训练结果不会太快“躺平”（train不动），SGD跑得多就训练的比较好。SGD的精髓就是，只要梯度比较大，就可以一直训练，反正有噪音，慢慢的总是会收敛，最后效果就会比较好用随机梯度下降来优化人生 - 知乎。并且由于梯度包含了之前学习到的那一项，所以残差网络学的快

 

论文推荐

1、Identity Mappings in Deep Residual Networks

论文中给了非常多的ResidualBlock的设计。可以自己尝试去实现几种看看效果。

2、  Desely Connected Convolutional Networks

这也是一种值得探究的实现方式。