Resnet V2论文阅读和代码解析

最新推荐文章于 2025-06-12 18:00:26 发布

原创

最新推荐文章于 2025-06-12 18:00:26 发布 · 5.2k 阅读

·

5

·

CC 4.0 BY-SA版权

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

文章标签：

#resnet v2 #resnet

本文详细解读ResNet V2论文，探讨等式连接的重要性，分析深度残差网络，解释为何前激活结构能提升训练效果，并提供代码解析。通过实验，证明了在shortcut路径上保持等式连接对于优化和防止过拟合的关键作用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

目录

论文阅读

代码解析

小结

论文阅读

1.介绍

在Resnet V1的论文中介绍的‘Residual Units'可以用公式表示如下:

$x_l$ 表示这个unit的输入， $x_{l+1}$ 表示这个unit的输出， $Ｆ$ $F$ 是残差函数，resnet V1的论文中建议 $h(x_l) = x_l$ ， $f$ 是RELU。

$h(x_l) = x_l$ 是一个很关键的选择，能让网络表现不错的效果。

在这篇文章中，作者会研究信息传播的路径对结果的影响。如果 $h(x_l)$ 和 $f(y_l)$ 都是等式映射，那么信号会直接从一个单元传播给另一个单元。作者的经验发现如果 $h(x_l)$ 和 $f(y_l)$ 越接近等式，那么网络训练起来会更加容易。

作者分析和比较了各种形式的 $h(x_l)$ ，比如缩放，比如１ｘ１的卷积计算等，都没有 $h(x_l) = x_l$ 收敛速度快，loss值降得更低。这个实验表明更干净的信息传递通道可以使网络更容易接近最优值。

而为了构建 $f(y_l) = y_l$ 的结构，作者将激活函数调整了位置，使用先激活，而不是之前的后激活，这样就得到了一种新的残差网络结构，而且这个结构取得了不错的成绩。

（a）是原来的残差结构，（b）是新的残差结构。可以看到改进后是先进行BN和RELU计算，然后再用weight进行计算。

２.分析深度残差网络

对于原始的残差单元 $h(x_l) = x_l$ ，如果 $f(y_l) = y_l$ ，那么 $x_{l+1} \equiv y_l$ ，那么公式可以变成

将所有的 $x_l$ 的值都带入，可以得到

这个公式显示了一些属性：

任意深度的 $x_L$ 都可以由 $x_l$ 加上一个残差公式组成，所以就意味着 $x_L$ 和 $x_l$ 之间就有残差关系
$x_L = x_0 + \sum_{0}^{L-1}F(X_i, W_i)$ 公式也成立，这表明

最低0.47元/天解锁文章

200万优质内容无限畅学

评论 2

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。