Deep Residual Learning for Image Recognition

论文完整翻译详见：https://blog.youkuaiyun.com/wspba/article/details/57074389

 重要参考：

https://blog.youkuaiyun.com/wspba/article/details/56019373

https://blog.youkuaiyun.com/lanran2/article/details/79057994

https://blog.youkuaiyun.com/abcjennifer/article/details/50514124

https://blog.youkuaiyun.com/yj3254/article/details/52244402

    ResNet——MSRA何凯明团队的Residual Networks（残差网络），是2015年ImageNet中classification、detection、localization以及COCO数据集上的detection和segmentation的冠军，而且Deep Residual Learning for Image Recognition也获得了CVPR2016的best paper。

1  Introduction

对于新的问题：训练一个更好的网络是否和堆叠更多的层一样简单呢？解决这一问题的障碍便是梯度消失/梯度爆炸，从一开始便阻碍了模型的收敛。归一初始化（normalized initialization）和中间归一化（intermediate normalization）在很大程度上解决了这一问题，它使得数十层的网络在反向传播的随机梯度下降（SGD）上能够收敛。

当深层网络能够收敛时，一个退化问题又出现了：随着网络深度的增加，准确率达到饱和然后迅速退化。这种退化并不是由过拟合造成的。ResNet最根本的动机就是所谓的“退化”问题，即当网络深度越深时，它在训练集上训练网络的效率会有所减弱，导致错误率提高。如下图：

但是模型的深度加深，学习能力增强，因此更深的模型不应当产生比它更浅的模型更高的错误率。而这个“退化”问题产生的原因归结于优化难题，当模型变复杂时，SGD的优化变得更加困难，导致了模型达不到好的学习效果。

为解决这个退化问题，本文介绍一种deep Residual learning 的框架：

对于更深的模型，通过构建解决方案：恒等映射（identity mapping）(x)来构建增加的层，而其它层直接从浅层模型中复制而来。让这些层来拟合残差映射（residual mapping）(F(x))，而不是让每一个堆叠的层直接来拟合所需的底层映射（desired underlying mapping）。假设所需的底层映射为 (x) ，让堆叠的非线性层来拟合另一个映射： (x):=(x)−x。因此原来的映射转化为：F(x)+x 。我们推断残差映射比原始未参考的映射（unreferenced mapping）更容易优化。