ResNet(Deep Residual Learning for Image Recognition)

论文链接：https://arxiv.org/abs/1512.03385

Resnet是2015年ImageNet比赛的冠军，不仅在分类上标线优秀，在目标检测中同样取得好成绩，Resnet将网络层数进一步加深，甚至达到1000+层。

1、Degradation

• 根据经验，如果没有发生梯度消失、弥散现象，网络层数越深效果会越好，但是作者实验发现，虽然网络层数增加，但是训练会出现饱和现象，精度反而没有浅层网络精度高了，作者将这种现象称为Degradation问题，如下图所示。
  

• 如果仅仅在浅层网络后面增加几层，在不出现过拟合的情况下，效果应该会比浅层网络效果好，但是实验结果却不一定好，这也表明，不是所有的网络都容易优化到最好。

• 为解决这个问题：本文引入一个深度残差学习框架。此框架不需要每一层能直接吻合一个映射，而是让这些层去吻合残差映射。比如：用H(X)来表示最优解映射，但本文去拟合另一个映射F(X) = H(X) - X , 此时原最优解映射H(X)就可以改写成F(X)+X。这里残差映射跟原映射相比更容易被优化。极端情况下，如果一个映射是可优化的，那也会很容易将残差推至0，把残差推至0和把此映射逼近另一个非线性层相比要容易的多。

• 残差网络通过如下结构实现。

2、Deep Residual Learning

Identity Mapping by Shortcuts

如上图是一个building block,公式定义如下：

$$y=F(x,W_{i}) + x$$

• 在上图例子中，由于block中包含2层，所以$F=\omega_2\sigma(\omega_1x)$，σ表示RELU，这里省略了偏置项。

• 当F()与x的维度不同时，可以通过线性映射进行调整，公式如下：
  

  $$y=F(x,W_{i}) + \omega_s x$$

Network Architectures

Plain Network主要是受 VGG 网络启发，主要采用3*3滤波器，但是本网络与VGG相比，滤波器要少，复杂度要小，网络特征如下：

• 对于相同输出特征图尺寸，卷积层有相同个数的滤波器。
• 如果特征图尺寸缩小一半，滤波器个数加倍以保持每个层的计算复杂度。通过步长为2的卷积来进行降采样。一共34个权重层。

ResNet在Plain Network的基础上，我们插入了快捷连接，将网络转化为其对应的残差版本。

对于shortcut的方式，作者提出了三个选项：

1. 使用恒等映射，如果residual block的输入输出维度不一致，对增加的维度用0来填充；
2. 在block输入输出维度一致时使用恒等映射，不一致时使用线性投影以保证维度一致；
3. 对于所有的block均使用线性投影。

Implementation

• 图片resize：短边长random.randint(256,480)，裁剪到224＊224，随机采样，含水平翻转，减均值。
• conv和activation间加batch normalization
• minibatch-size:256
• learning-rate: 初始0.1, error平了lr就除以10
• weight decay：0.0001
• momentum：0.9
• 没用dropout

实验

作者通过实验证明：

1、34层与18层网络比较：

• 训练过程中， 34层plain net 比18层plain net的error大 。
• 34层residual net 比18层residual net的error小，更比34层plain net小了3.5%
• 18层residual net比18层plain net收敛快

2、Residual function的设置比较：

A、在H(x)与x维度不同时， 用0充填补足
B、在H(x)与x维度不同时， 带WT
C、任何shortcut都带WT
loss效果： A>B>C

3、将两层网络变为三层网络：

三层分别是1×1、3×3，和1×1的卷积层，其中1×1层负责先减少后增加（恢复）尺寸的，使3×3层具有较小的输入/输出尺寸瓶颈，如下图所示：

识别精度如下图所示：

进一步的，作者在CIFAR-10数据集进行分析。同时，作者又搭建了更加变态的1202层的网络，对于这么深的网络，优化依然并不困难，但是出现了过拟合的问题，这是很正常的，作者也说了以后会对这个1202层的模型进行进一步的改进。

分析结果如下图：

附录

resnet caffe 实现：https://github.com/KaimingHe/deep-residual-networks