分形网络（FractalNet）----学习笔记

这个网络的提出是为了证明residual对于极深的网络并不是必须的。
通过一种分形的结构，达到了teacher-student机制，深度监督的效果。
Fractal ：分形，从多个层次、多个角度、多个组成成分来共同解决一个问题
通过多个不同深度的网络的组合提高模型的效果：浅层提供更迅速的回答，深层提供更准确的回答
网络架构中每一个Fractal的模块，是由多个浅层和深层的联合而成，层的深度呈2的指数型增长。不同深度的输出进行联合时采用求均值的方式。因为每个联合层的输入的个数可能不同，求均值可以起到一个类似于归一化的效果。
架构更重要的训练学习机制：drop path
1. dropout：一般用于使神经元随机失活来减少模型的过拟合
2. droppath：让路径随机失活，即在多个不同深度的层进行联合时，模型会以一个比例随机地让某些路径的输入关闭，但最少保证有一个输入。
3. 优点：
  1. 减少过拟合
  2. 强化每条路径的输出
  3. 不同路径的联合。在droppath机制下，与teacher-student类似的效果：如果某条路径学到了对最终分类非常重要的特征，如果在某一次迭代中该路径被关闭了，则通过loss进行反向传播时，可能就会指导和该路径进行联合的另一条路径也学习到这种特征。如此不断训练不仅可提高整个模型的效果，而且单独提取出任意一条路径使用也可达到非常好的效果。并且该网络架构不同因为深度加深而出现退化问题，即从整个模型中提取出最深的路径使用可以到达整个fractalnet接近的效果。
4. 有两种droppath方式：
  1. local：在每一个联合层以固定几率舍弃每个输入，但保证至少保留一个输入
  2. global：在整个网络中随机只保留一条完整的路径进行学习

相关阅读:
前端学习路线参考
开发一个现代化的.NetCore控制台程序，包含依赖注入/配置/日志等要素
WPS没保存关闭了怎么恢复数据？4个方法（更新版）
Vue插槽
软件测试 app自动化02 Appium常用的元素定位工具元素的属性元素定位方法
【App自动化测试】（十二）App异常弹框处理
Web前端：JavaScript---＞内置对象自定义对象*笔记
入门ROS其实也没有那么难！
Keras深度学习实战——推荐系统数据编码
Charles工具

原文地址：https://blog.csdn.net/weixin_45647721/article/details/126254913