【论文系列】AlexNet & VGG & FCN & NIN & ResNet论文解读

本文深入解析深度学习领域的五篇经典论文:AlexNet, VGG, FCN, NIN 和 ResNet。重点探讨ResNet的动机、恒等映射、瓶颈设计及其对解决深度网络退化问题的贡献。通过实验展示了ResNet如何通过残差学习提升模型性能,并分析了其优缺点。" 116443842,10553304,压缩感知算法:Generalized Approximate Message Passing及衍生代码库,"['压缩感知', 'MATLAB', '算法实现']

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

前言:温故而知新。这里将几篇经典文章进行总结,不想分太多篇,所以一篇讲完,篇幅较长,且每篇论文的更新时间可能不同。

本文将对AlexNet  VGG NIN ResNet FCN这五篇经典的DL文章进行回顾,motivation/解决的问题/网络的结构/创新点等大致进行梳理。(点击论文名转到论文)

会把每篇论文尽量讲透彻,想弄清的同学们最好也结合论文和分享的其他资料一起阅读,没明白的/未谈到的问题,欢迎留言讨论。

-------------------------------------------------

目录

AlexNet(待续)

VGG(待续)

FCN(待续)

NIN(待续)

ResNet(已完成)

Motivation

Idea

Identity mapping(恒等映射,f(x)=x)

Bottleneck design

实验

ResNet的缺点

补充 indentity mapping2(replacing relu)


AlexNet


VGG


FCN


NIN


ResNet

ResNet残差网络。首先推荐何恺明本人在ICML 2016上的关于ResNet的报告,看完之后看论文思路会更清晰:ResNet report ppt in ICML2016 by 何恺明  。

---------------------------------------

Motivation

特征是图像/视频所有相关问题中最重要的,"features matter"。从VGG和其他人的工作我们可以知道,网络的深度可以影响特征,越深的网络深度可以使得特征的信息更丰富。 但是“Is learning better networks as simple as stacking more layers?” NO,学习更好的网络不是只是把层叠加起来就够了。当网络深度增加,会出现问题:A. 梯度消失 or 梯度爆炸(vanishing or exploding gradients); B. *退化问题(degradation problem)。

ResNet提出来基于恒等映射(identity mapping)的shortcut 连接,主要来解决退化问题。

*degradation problem means with the network depth increasing, accuracy gets saturated(which might be unsurprising) and then degrades rapidly. 退化问题就是指,当网络的深度增加时,模型的精度开始变得饱和,不再升高,最后快速减小。在作者的实验中如下图,层数增加后误差变大,plain net显然出现了退化问题。

*为什么是退化而不是过拟合?  1)如果是过拟合,train error会减小,而test error会减小后不断增大,显然这里不符合,这里的test and train error都增大了。 2)假想有一个n层的网络A 和一个m层的网络B (m>n)都要去拟合H(x),按道理来说,假如把B网络的前n层用已经训练好的网络A来代替,而后m-n层用恒等映射代替(identity mapping,f(x)=x),那么对于足够复杂的数据,B网络的原版应该会比B网络的代替版学到更好的表征,也就是B网络的误差<A网络,而实验结果并不是这样,所以出现了退化问题。

 

左:plain net test accuracy with the depth of network increasing--from resnet's work;
右:网络A和B, 反常的degradation现象 
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值