2019/11/21 Residual Learning论文学习

标签：mic   方法   orm   技术   app   神经网络   content   art   access   

原始residual论文 Deep Residual Learning for Image Recognition

1. 训练深度神经网络的难处：

• 梯度爆炸/梯度消失
  batchnorm等一系列方法较好的解决了这个问题
• 加深网络，模型退化（degradation）

1. residual着重要解决网络加深带来的模型退化问题（degradation）。

2. 思路很简单，浅层的网络性能比深层网络性能好，这样如果我仅仅是用 等变映射（Identity Mapping）去加深网络，那么网络的性能肯定不会比浅层的差。

改进1：:Identity Mappings in Deep Residual Networks.)

1. 提出pre-activation方法的模块。
   
   这个模块能够保证反向传播过程中，不管weight多小，在网络的各个层都能有梯度！！
   前向传播公式：
   
   反向传播公式：
   
   在反向传播中，只要\(\frac {\partial \sum_{i=1}^{L-1}F} {\partial X_{L}}\) 不是都一直等于-1，就能保证网络中一定存在梯度。

2019/11/21 Residual Learning论文学习

标签：mic   方法   orm   技术   app   神经网络   content   art   access   

原文地址：https://www.cnblogs.com/Research-XiaoEMo/p/11922359.html