ResNet 论文学习笔记_resnet50背景-优快云博客

1. ResNet 提出的背景

深层卷积神经网络在图像分类领域取得了很多很棒的进展，因为随着网络层次的加深，feature level 从 low--mid--high 逐步得到丰富，但是通过简单堆叠多层网络真的可以学的更好吗？（Is learning better networks as easy as stacking more layers? ）答案是否定的。随着网络层次的加深，会出现两个问题：

1）梯度消失/爆炸 （vanishing/exploding gardient）

梯度消失/爆炸会阻碍网络收敛，此问题可借助 normalized initialization 和 Intermediate normalization layers（BN层）得到较好的解决。☞ Batch Normalization

2）退化问题（degradation problem）

虽然BN较好的解决了梯度问题，但是随着网络层数的加深，训练正确率会趋于饱和随后急剧下降，该问题并不是由于过拟合导致的（原文作者猜想可能是由于深层网络使得网络的收敛速率指数级下降）。ResNet 就是为了解决退化问题而提出来的（提出了残差结构）。

2. ResNet 的思想

针对当前的这几层来说，如果不考虑 identity 位置的映射x，网络的学习任务是从 1 处的 x 学习一个映射关系 H(x)，然后经过 ReLU 模块之后输出到 2 位置，即 σ(H(x))。

但是鉴于退化问题的存在，为了保证 2 处的学习效果不差于 1 处，ResNet 引入了 identity 处的连接，叫做“shortcut connections”，此时 H(x) = F(x) + x，当前模块的学习目标是 resudual function F(x) = H(x) - x。

为什么这样做呢？因为退化问题实际上是说 2 处的学习效果差于 1 处，即该模块难以用图中的两个非线性 layer 去学习到一个线性的恒等映射(此时1和2的学习效果相等)；而 residual function 可以通过将图中两层神经元的权值都逼近0而方便的学到恒等映射，从而保证了 2 处的学习效果不差于1。

3. ResNet 的学习目标 F(x)

既然要学习 F(x)，那我们就来看一下 F(x) 的表达式：

输入 x 经过第一个 weighted layer 的输出为 W1*x，经过 ReLU 之后的输出为 σ(W1*x)，再经过第二个 weighted layer 的输出即为 F = W2*σ(W1*x)，最终该模块在 2 处的输出为

σ(F + x) = σ(W2*σ(W1*x) + x)

在上面的这个公式中，x 和 F 需要有相同的 dimension，但是实际网络中可能存在 x 和 F 尺寸不相同的情况，此时就涉及到 shortcut 的两种连接方式：

1）identity mapping：当 x 和 F 的尺寸相同时，上式可以直接操作，无需引入额外的参数和计算复杂度；

2）projection：引入一个线性的映射矩阵 WS 将 x 映射为和 F 相同尺寸的矩阵，再进行相加，此时上式变为 σ(F + WS*x)。projection也可以用zero-padding代替，从而无需引入额外的学习参数，但是projection的效果要比zero-padding好一些。

在卷积神经网络中，F 执行的操作是两个 feature map 的每个通道的逐像素求和。

4. Residual block 的架构

左侧的2层架构用在 ResNet-34 中，右侧的3层架构（bottleneck design）用在 ResNet-50/101/152 中，其中 1*1的层用于降维和升维，从而使得 3*3层的输入输出维度比较小，减少参数量，而且也便于使用 identity mapping，降低了运算复杂度。

为什么右侧的残差结构可以减少训练参数量呢？假设给左右两个架构均输入 256d 的特征向量，针对左侧的残差结构，为了保证主分支与shortcut的输出特征矩阵有相同的 shape，则主分支的 kernel number 也应该设置为256，则左侧的参数量为 3*3*256*256 + 3*3*256*256 = 1179648；而右侧的残差结构通过第一个1*1的降维和第二个1*1的升维，保证了主分支的输出特征维度与shortcut相同，所以右侧的参数量为 1*1*256*64 + 3*3*64*64 + 1*1*64*256 = 69632，是左侧（1179648 / 69632 ≈ 17）的1/17。