卷积神经网络之 - 残差⽹络（RESNET）

本文作者：铜豌豆 & Leong

残差神经网络 (ResNet) 是由微软研究院的何恺明、张祥雨、任少卿、孙剑等人提出的。ResNet 在 2015 年的 ILSVRC（ImageNet Large Scale Visual Recognition Challenge）中取得了图像分类、检测、定位三个冠军。2016 年 CVPR 论文：《Deep Residual Learning for Image Recognition》就介绍了 ResNet，该论文截至当前 (2020.1.3) 已被引用超过 36500 次。

残差神经网络的主要贡献是发现了 “退化现象（Degradation）”，并针对退化现象发明了“快捷连接（Shortcut connection）”（或者跳过连接），极大的消除了深度过大的神经网络训练困难问题。神经网络的 “深度” 首次突破了 100 层、最大的神经网络甚至超过了 1000 层。

ILSVRC 2015 图像分类排名 ResNet 论文网址：https://arxiv.org/abs/1512.03385

从一个信念说起

在 2012 年的 ILSVRC 挑战赛中，AlexNet 取得了冠军，并且大幅度领先于第二名。由此引发了对 AlexNet 广泛研究，并让大家树立了一个信念 ——“越深网络准确率越高”。这个信念随着 VGGNet、Inception v1、Inception v2、Inception v3 不断验证、不断强化，得到越来越多的认可，但是，始终有一个问题无法回避，这个信念正确吗？ 它是正确的，至少在理论上是正确的。

假设一个层数较少的神经网络已经达到了较高准确率，我们可以在这个神经网络之后，拼接一段恒等变换的网络层，这些恒等变换的网络层对输入数据不做任何转换，直接返回（y=x），就能得到一个深度较大的神经网络，并且，这个深度较大的神经网络的准确率等于拼接之前的神经网络准确率，准确率没有理由降低。

层数较多的神经网络，可由较浅的神经网络和恒等变换网络拼接而成，下图所示。

退化现象与对策

在讲退化这个概念之前先说一下梯度消失 (Gradients Vanishing) 和梯度爆炸 (Gradients Exploding) 这个概念。也就是在训练神经网络的时候，导数或坡度有时会变得非常大，或者非常小，多个层以后梯度将以指数方式变大或者变小，这加大了训练的难度。

当网络很深时，很小的数乘起来将会变成 0（梯度消失），很大的数乘起来会变得非常大（梯度爆炸）

通过实验，ResNet 随着网络层不断的加深，模型的准确率先是不断的提高，达到最大值（准确率饱和），然后随着网络深度的继续增加，模型准确率毫无征兆的出现大幅度的降低。以下曲线显示 20 层普通网络的训练误差和测试误差低于 56 层普通网络，这个现象与 “越深的网络准确率越高” 的信念显然是矛盾的、冲突的。ResNet 团队把这一现象称为 “退化（Degradation）”。

ResNet 团队把退化现象归因为深层神经网络难以实现 “恒等变换（y=x）”。乍一看，让人难以置信，原来能够模拟任何函数的深层神经网络，竟然无法实现恒等变换这么简单的映射了？

让我们来回想深度学习的起源，与传统的机器学习相比，深度学习的关键特征在于网络层数更深、非线性转换（激活）、自动的特征提取和特征转换，其中，非线性转换是关键目标，它将数据映射到高纬空间以便于更好的完成 “数据分类”。随着网络深度的不断增大，所引入的激活函数也越来越多，数据被映射到更加离散的空间，此时已经难以让数据回到原点（恒等变换）。或者说，神经网络将这些数据映射回原点所需要的计算量，已经远远超过我们所能承受的。

退化现象让我们对非线性转换进行反思，非线性转换极大的提高了数据分类能力，但是，随着网络的深度不断的加大，我们在非线性转换方面已经走的太远，竟然无法实现线性转换。显然，在神经网络中增加线性转换分支成为很好的选择，于是，ResNet 团队在 ResNet 模块中增加了快捷连接分支，在线性转换和非线性转换之间寻求一个平衡。

残差网络

为了解决梯度消失 / 爆炸的问题，添加了一个跳过 / 快捷方式连接，将输入 x 添加到经过几个权重层之后的输出中，如下图所示：

残差网络构建块

输出为 H (x) = F (x) + x，权重层实际上是学习一种残差映射：F (x) = H (x) - x，即使权重层的梯度消失了，我们仍然始终具有标识 x 可以转移回较早的层。

ResNet 网络架构

按照这个思路，ResNet 团队分别构建了带有 “快捷连接（Shortcut Connection）” 的 ResNet 构建块、以及降采样的 ResNet 构建块，区别是降采样构建块的主杆分支上增加了一个 1×1 的卷积操作，见下图

下图展示了 34 层 ResNet 模型的架构图，仿照 AlexNet 的 8 层网络结构，我们也将 ResNet 划分成 8 个构建层（Building Layer）。一个构建层可以包含一个或多个网络层、以及一个或多个构建块（如 ResNet 构建块）。

34 层 ResNet 模型架构图（此图来源于《TensorFlow 深度学习实战大全 》）

第一个构建层，由 1 个普通卷积层和最大池化层构建。

第二个构建层，由 3 个残差模块构成。

第三、第四、第五构建层，都是由降采样残差模块开始，紧接着 3 个、5 个、2 个残差模块。

ResNet 各个版本的网络架构如下所示：

实验结果

一个概念：10 -crops: 取图片（左上，左下，右上，右下，正中）以及它们的水平翻转。这 10 个 crops 在 CNN 下的预测输出取平均作为最终预测结果。

• 图像分类

1. ILSVRC

其中 plain-34 就是普通的卷积叠加起来的网络，把 ResNet 深度一直加深，错误率也一直降低

10-Crop + 多尺度全卷积

10-Crop + 多尺度全卷积 + 6 个模型融合，错误率降到了 3.57%

1. CIFAR-10 数据集

作者们干脆把网络深度加到了 1202 层，此时网络优化起来也没有那么困难，即仍可以收敛，但是，当层数从 110 增加到 1202 时，发现错误率从 6.43％增加到 7.93％，可能是因为 CIFAR10 样本少，层数增大到 1202 层时会因为 overfit 造成错误率提升。

• 目标检测

PASCAL VOC 2007/2012 数据集 mAP (%) 测试结果如下：

MS COCO 数据集 mAP (%) 测试结果如下：

通过将 ResNet-101 应用于 Faster R-CNN，ResNet 可以获得比 VGG-16 更好的性能。

本文所引用的部分内容来自于书籍《TensorFlow 深度学习实战大全》

《TensorFlow 深度学习实战大全》

购买链接：

参考资料：

• 《TensorFlow 深度学习实战大全 》作者：李明军
• https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf
• https://towardsdatascience.com/review-resnet-winner-of-ilsvrc-2015-image-classification-localization-detection-e39402bfa5d8
• 吴恩达视频_梯度消失 / 爆炸：https://www.bilibili.com/video/av48340026?p=10