ResNet_深度残差学习的在图像识别中的应用(Deep Residual Learning for Image Recognition____翻译)_resnet实现检测图片中是否有人的功能

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上C C++开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以戳这里获取

层次更深的神经网络更难训练。 我们提出了一个残差的学习框架，以便于对比以前使用的网络深度更深的网络进行训练。 我们明确地将层重新组合成残差函数并将其用于输入，而不是学习未引用的函数。 我们提供全面的经验证据表明这些残差网络更容易优化，并且可以从显著增加的深度获得准确性。 在ImageNet数据集上，我们评估深度高达152层-残差网络 比VGG网更深8倍[41]，但仍然具有较低的复杂性。 这些残差网络的集成在ImageNet测试集上实现了3.57％的误差。 该结果在ILSVRC 2015分类任务中获得第一名。 我们还提供了100和1000层的CIFAR-10分析。
网络的深度对于许多视觉识别任务而言至关重要。 仅仅由于我们极其深的模型表示，我们在COCO对象检测数据集上获得了28％的相对改进。 深度残差网是我们向ILSVRC和COCO 2015竞赛1提交的基础，我们还在ImageNet检测，ImageNet定位，COCO检测和COCO分割任务中获得了第一名。

1、介绍：

深度卷积神经网络[22,21]为图像分类带来了一系列突破[21,50,40]。 深度网络自然地以端到端多层方式集成低/中/高层次的特征[50]和分类器，并且可以通过堆叠层的数量（深度）来丰富特征的“层次”。 最近的研究[41,44]揭示了网络深度至关重要，而具有挑战性的ImageNet数据集[36]的主要结果[41,44,13,16]都利用了“非常深”的[41]模型， 深度为十六[41]至三十[16]。 许多其他非常重要的视觉识别任务[8,12,7,32,27]也有
在深度的重要性驱动下，出现了一个问题：学习更好的网络就像堆叠更多层一样容易吗？ 回答这个问题的一个障碍是：臭名昭着的问题：梯度消失/爆炸梯度[1,9]，它从一开始就阻碍了收敛。然而，这个问题在很大程度上通过归一化初始化和中间归一化层来解决，这使得具有数十个层的网络能够开始收敛以用于具有反向传播的随机梯度下降（SGD）。
但是当更深的网络能够开始收敛时，就会出现退化问题：随着网络深度的增加，准确度变得饱和（这可能不足为奇），然后迅速退化。 出乎意料的是，这种退化不是由过度拟合引起的，并且在适当的深度模型中添加更多层会导致更高的训练误差。
退化（训练精度）表明并非所有系统都易于优化。 让我们考虑一个较浅的架构及其更深的对应物，在其上添加更多层。 对于更深层次的模型，存在构造的解决方案：添加的层是身份映射，并且从学习的浅层模型复制其他层。 这种构造的解决方案的存在表明，较深的模型不应该产生比较浅的对应物更高的训练误差。 但实验表明，我们现有的解决方案无法找到比构建的解决方案更好或更好的解决方案（或者在可行的时间内无法做到这一点）。
在本文中，我们通过引入深度残差学习框架来解决退化问题。 我们明确地让这些层适合残差映射，而