【深度学习】浅显易懂的残差网络（Residual Network）

残差网络介绍

随着网络的层数变深，作者发现网络出现退化现象，训练集的准确率不增反降。退化现象简单的说就是浅层网络的表现要优于深层网络，因此，如果我们可以把浅层网络的特征传递到深层网络，那么深层网络应该也会有较好的表现。根据这个思想，作者提出了一个概念Identity Mapping，这实际上是构建一条映射关系（后面会详细讲）这也是残差网络的最关键之处。

残差块（Residual Block）

下图是作者在论文中的残差块示例图，首先明确几个概念，$X_l$表示第l层的输入，$F(x)$表示残差部分，曲线箭头表示利用shortcut connections表示identity mapping。

$X_l=F(X_{l-1})+X_{l-1}$，$F$表示残差部分，一般由若干卷积层，池化层和激活函数构成。残差部分与上一层的输出相加就构成了下一层的输入，这整体结构也就被称为残差块（Residual Block）。

残差网络的网络结构

下图是三种网络结构的比较，分别是VGG-19，34层的卷积神经网络，以及34层插入了shortcut connection的残差网络。

前面两个网络不多赘述，重点观察最后的残差网络，首先实黑色箭头表示输入与输出维度一致的残差块，点黑色箭头表示一个维度增加的残差块。
那么如何能保证输入和输出的大小一致但通道数增加或不变呢？这就要用到一个1 * 1的卷积，假设我们上一层的输出是3 * 3 * 256大小，现在我们想把变成3 * 3 * 512的输出，我们可以使用512个1 * 1 * 256的卷积核，按照之前卷积神经网络文章中的计算公式，output_size = (3 + 2*0 - 1) / 1 + 1 = 3，因此每个卷积核卷积后的大小是3 * 3，使用512个卷积核后，那么最终的大小也就是3 * 3 * 512，因此这就实现了，在不改变输出大小的情况下增加通道数的方法，保持或减少通道数的方法也是一样。

残差网络与高速网络的比较

对于训练深层的神经网络，高速神经网络和残差网络实际上都是用了shortcut connect只不过shortcut connection在高速神经网络中的实现是使用门机制，即transform gate和carry gate。而残差网络中的实现是使用残差块。

论文地址：https://arxiv.org/abs/1512.03385