ResNet（Deep Residual Learning for Image Recognition）简单介绍（笔记）

ResNet在2015年由微软实验室提出，斩获当年ImageNet竞赛中分类任务第一名，目标检测第一名。获得COCO数据集中目标检测第一名，图像分割第一名。
网络中的亮点：
1、超深的网络结构(突破1000层)
2、提出residual模块
3、使用Batch Normalization加速训练(丢弃dropout)
残差结构如下：

 若同样，输入为256维的特征向量，右边的结构的参数比左边少。

不同层数的网络表格：

左边主分支与shortcut的输出特征矩阵shape是必须相同的，可以直接相加。右边，对于虚线处，需要reshape到统一大小。下面给出详细的ResNet50结构。

 Batch Normalization

Batch Normalization的目的是使我们的一批( Batch)feature map满足均值为0，方差为1的分布规律。附上一个链接，解释得非常非常非常详细Batch Normalization。视评讲解链接如下

良心up大佬讲解，20分钟处开始