1 设计初衷

我们之前讲了VGG等网络，在之前网络的研究中，研究者感觉

网络越深，分类准确率越高，但是随着网络的加深，科学家们发现分类准确率反而会下降，无论是在训练集上还是测试集上。

ResNet的作者团队发现了这种现象的真正原因是：

训练过程中网络的正、反向的信息流动不顺畅，网络没有被充分训练，他们称之为“退化”

2.网络结构

2.1 残差块

解决方式：

​ 构建了残差模块，通过堆叠残差模块，可以构建任意深度的神经网络，而不会出现退化的现象

​ 提出了批归一化对抗梯度消失，该方法降低了网络训练过程中对于权重初始化的依赖

$H(x)=F(x)+x$

我们网络要学习的是F(x)

$F(x)=H(x)-x$

F（x）实际上就是输出与输入的差异，所以叫做残差模块

2.2 中间的卷积网络特征提取块

中间的块有两种可能

1 两层3×3卷积层

2 先1×1卷积层，再3×3卷积层，再3×3卷积层

第一个用了1×1把卷积通道降下去（减少运算量），第二个用了1×1把卷积通道再升上去（便于和输入x连接）

2.3 结构总览表格

表中展示了18层，34层，50层，101层，152层的ResNet的结构

[ ]方括号中即是我们上面讲的两个特征提取块，×几代表堆叠几个

最后经过一个全局平均池化，一个全连接层

3 为什么残差模块有效？

3.1 前向传播

1 前向传播过程中重要信息不消失

通过残差网络的设计，我们可以理解为原来的有机会信息可以维持不变，对分类有帮助的信息得到加强

能够避免卷积层堆叠存在的信息丢失

3.2 反向传播

2 反向传播中梯度可以控制不消失

在典型的残差模块中，输入数据被分为两部分，一部分通过一个或多个神经层进行变换，而另一部分直接传递给输出。这个直接传递的部分是输入数据的恒等映射，即没有变换。这意味着至少一部分的信息在经过神经网络之后保持不变。

当进行反向传播以更新神经网络参数时，梯度是根据损失函数计算的。在传统的深度神经网络中，由于多层的网络梯度相乘，梯度可以逐渐变小并导致梯度消失。但在残差模块中，由于存在恒等映射，至少一部分梯度可以直接通过跳过变换的路径传播，而不会受到变换的影响。

$H(x)=F(x)+x$

比如这个式子对x求偏导$\partial F/\partial x+1$

这时候保证了梯度至少会加1 不让梯度连乘逐渐变小

3.3 恒等映射

3，可以理解为当网络变深之后，非线性变得很强，网络很难学会简单的恒等映射，残差模块可以解决这个问题

3.4 集成模型

4 残差网络可以看做一种集成模型

可以看做很多简单或复杂的子网络的组合求和！！！

但是这样可能会造成冗余，因为其中还可能会有很多不需要的信息，这便是后来的DenseNet，会让速度提升

4.代码实现

实现的是

import torch
from torch import nn
from torch.nn import functional as F

class Residual_block(nn.Module):
    def __init__(self,input_channels,output_channels,first=False):
        super().__init__()
        self.first=first
        if first==True:
            self.conv1=nn.Conv2d(input_channels,output_channels,stride=2,kernel_size=3,padding=1)
            self.conv3=nn.Conv2d(input_channels,output_channels,kernel_size=1,stride=2)
        else:
            self.conv1=nn.Conv2d(output_channels,output_channels,kernel_size=3,padding=1)
        self.bn1=nn.BatchNorm2d(output_channels)
        self.conv2=nn.Conv2d(output_channels,output_channels,kernel_size=3,padding=1)
        self.bn2=nn.BatchNorm2d(output_channels)
        
    def forward(self,x):
        Y=F.relu(self.bn1(self.conv1(x)))
        Y=self.bn2(self.conv2(Y))
        if self.first==True:
            x=self.conv3(x)
        Y=x+Y
        return F.relu(Y)
def resnet_block(input_channels,output_channels,num_residual_block,special=False):
    blk=[]
    for i in range(num_residual_block):
        if i==0 and special==True:
            blk.append(Residual_block(input_channels,input_channels))
        if i==0 and special==False:
            blk.append(Residual_block(input_channels,output_channels,first=True))
        else:
            blk.append(Residual_block(output_channels,output_channels))
    return blk


b1=nn.Sequential(
    nn.Conv2d(kernel_size=7,in_channels=3,out_channels=64,stride=2,padding=3),
    nn.ReLU(),
    nn.MaxPool2d(kernel_size=3,stride=2,padding=1),
)
R1=Residual_block(64,64)
x=torch.ones(1,3,224,224)
for layer in b1:
    x=layer(x)

b18_2=nn.Sequential(*resnet_block(64,64,2,special=True))
b18_3=nn.Sequential(*resnet_block(64,128,2))
b18_4=nn.Sequential(*resnet_block(128,256,2))
b18_5=nn.Sequential(*resnet_block(256,512,2))

b34_2=nn.Sequential(*resnet_block(64,64,3,special=True))
b34_3=nn.Sequential(*resnet_block(64,128,4))
b34_4=nn.Sequential(*resnet_block(128,256,6))
b34_5=nn.Sequential(*resnet_block(256,512,3))


#Resnet-18
Resnet_18=nn.Sequential(b1,b18_2,b18_3,b18_4,b18_5,nn.AdaptiveAvgPool2d((1,1)),nn.Flatten(),nn.Linear(512,10))
#Resnet-34
Resnet_18=nn.Sequential(b1,b34_2,b34_3,b34_4,b34_5,nn.AdaptiveAvgPool2d((1,1)),nn.Flatten(),nn.Linear(512,10))