残差网络学习

 参考B站同济子豪兄的Resnet讲解

网络退化，不是梯度消失（根本没有开始学习），梯度爆炸，过拟合。

不需要再拟合复杂底层的那个映射了，原来输入的基础上你需要进行哪些偏移哪些修改

残差预测值和真实值的偏差

一路加深了模型，网络分为两支，一路是 同样的浅层网络处理，另一路保留原来的输入，恒等映射。

残差

处理x和处理过（比如做了下采样）后网络不一样的方法：

1.在下采样过程中把多出来的通道用0做padding

2.做1*1的卷积，把维度调整到和残差块一样

3.不管是在下采样还是普通模块在shortcat都采用1*1卷积

下采样不用pulling直接用步长为2的卷积

深度估计，Depth estimation用视觉的方法评估画面的深度

为什么有这些优势，就是因为训练的梯度可以从深层灌回底层

几个弱学习器划分在一起变成强学习器

残差，Relu重要的给1，不重要的给0

加入了恒等映射之后，让残差为0实线恒等映射。

相邻像素和相邻梯度都有相关性。

这个模型相当于有8条路，与dropout类似，让这些路彼此独立。可以实现并行的。分散风险。

Densenet

在Dense Block里面，每一层都与它之后的所有层相连，这样就能更加强大的释放以后每一个尺度的特征。