CV第九课 ResNet

标签：cti   依赖性   lte   组成   消失   art   learn   bottle   inf   

ResNet

其他不带残差的网络（plain-CNN）中：

　　56层的网络比20层的网络，无论是trainning set 还是test set都要表现差

问题： 1) 优化问题，梯度在传播过程中出现梯度消失，或者梯度爆炸  2） weight_matrix_decay

　　    1. Batch Normalization，可以解决在forward过程中的梯度消失

　　　2. Residual block 提供的 skip connection，直接将梯度跨层传递，例如

　　　　在t时刻：

　　　　非残差网络G(1)=1.1， 

　　　　残差网络H(1)=1.1, H(1)=F(1)+1, F(1)=0.1

　　　　在t+1时刻：

　　　　非残差网络G’(1)=1.2， 

　　　　残差网络H’(1)=1.2, H’(1)=F’(1)+1, F’(1)=0.2

　　　　这时候我们看看：

　　　　非残差网络G的梯度  = (1.2-1.1)/1.1 = 1/11

　　　　而残差网络F的梯度 = (0.2-0.1)/0.1 = 1
　　　　————————————————
　　　　版权声明：本文为CSDN博主「ylyyyy」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。
　　　　原文链接：https://blog.csdn.net/weixin_40240670/article/details/85685095

　　  3. 

　　　　1）消除了输入和权重零奇点

　　　　2）打破对称性

　　　　3）打破线性依赖性

　　　　https://www.jianshu.com/p/a2812cf3ddad

解决方法：

　　1.ResNet采用残差块的堆叠，每个残差块有两个3*3*depth的ConvReLu组成

　　2. 周期性的double filter的数量(64->128,......)，并将stride变成2

　　3. 除了最后output的1000FC，没有全连接层

另：

　　1. 在深层ResNet-50+中，我们也用bottleneck to improve efficientcy

细节：

　　1. 每层 Conv之后都有ReLu与BN

　　2. Xavier/2 initialization 

　　3. SGC + Momentum 

　　4. learning rate decay 

　　5. mini-batch size 256

　　6.weight decay 1e-5

　　7. no dropout

CV第九课 ResNet

标签：cti   依赖性   lte   组成   消失   art   learn   bottle   inf   

原文地址：https://www.cnblogs.com/ChevisZhang/p/12982887.html