ResNet相关论文笔记

1.Deeply-Supervised Nets

     网络结构如下图所示。在DSN中，每一个卷积层/全连接层后，模型都会为他们接一个旁路的全连接层，并用输出的结果和数据的真实结果做比较，计算预测结果和真实结果的误差，并将由此产生的梯度回传给前面的参数。
     另外，模型中间的旁路目标函数需要降权（提升各模型层的合作能力，弱化独立能力。因为如果不降权，每一层和目标函数近距离相连，模型层会具备独立完成任务的能力），即每个目标函数在计算时加上一个权重。越靠近真正的目标函数，权重越大。
     中间的目标函数设置有一个阈值（模型容忍中间目标函数存在一些小偏差），只有目标函数的损失超过了这个阈值，梯度才会被传导，如果没有超过，那么这一层模型正常。

2 Residual Networks Behave Like Ensembles of Relatively Shallow Networks

    上图左边是一个残差网络结构，一个残差网络可以定义为：
$\begin{align} y_i =f_i(y_{i-1})+y_{i-1} \tag{1} \end{align}$
    其中$f_i$是一个模块，它中间可能经过了卷积、batch normalization、ReLU。
    右边是把左边网络展开后的结构，即多个block的运算。从这个角度来看，残差网络显式连接路径有$O(2^n)$个。它的数学表示为：

y