本文是接着上一篇

目录

残差网络

1 堆叠多层卷积

 2 残差网络结构：用来解决深层网络训练难度过大的问题

 ◼  残差网络的实现

  ◼  残差模型实验结果

 ◼  残差模型与同等深度卷积的对比

---

残差网络

1 堆叠多层卷积

理论上 ，深层的网络效果不会比浅层网络差， 因为深层网络的前几层理论可以学习到一个 输

入等于输出的映射 ，然后后几层 等于浅层网络 ， 则效果至少相同。

层数越深，性能反而越差。 反向传播路径太长， 训练难度 增加。

 

 2 残差网络结构：用来解决深层网络训练难度过大的问题

加入残差之后，我们只需要将第二次卷积的结果和原始的输入两者加起来，然后带入一个激活函数，这样的话，我们的残差网络结构就可以实现了。

 ◼  残差网络的实现

• 若卷积后的结果与输入X的shape不同， 则不能直接相加；
• 当步长不为1，图片大小发生变化 （padding不随步长改变的情况）；
• 当通道数与输入通道不同，图片通道数发生变化；
• 使用一个1x1的卷积核来改变X的shape形状，使得能与卷积后的结果shape相匹配；

  ◼  残差模型实验结果

• 在训练集上Loss持续下降，准确率持续上升，说明模型有一定的学习能力；
• 在测试集上的效果较差，且波动明显，可能是lr过大，或者模型泛化能力差；
• 由于当前卷积只有三层，只是残差操作的一个演示，所以效果并不理想，实际上在浅层网络上一般也不直接使用残差网络；

在设计网络进行实验的过程中，如果发现网络比较深，那么可以考虑加入残差网络试试效果会不会好一点。

• 模型在训练集上持续训练损失最终降到接近0，准确率也达到了100%，说明模型的容量是足够的；
• 在测试集上，Loss在第50轮附近持续上升，而此时训练集的Loss还在持续下降，说明发生了过拟合现象；
• 最终在此参数下ResNet-18在测试集上能达到的平均准确率为86.85%；

 

 ◼  残差模型与同等深度卷积的对比

• 卷积为红色与绿色曲线，残差为黄色和蓝色曲线
• 可以看到在深层模型下，无论是Loss还是准确率，普通卷积的曲线（红色）比残差的曲

线（黄色）在训练后期的波动更大，说明残差网络的加入确实可以帮助模型更好的训练