什么是Resnet？

resnet是一种残差网络，简单看一下resnet的结构

上面是ResNet，下面是传统的

ResNet里的一小块就是这样的

为什么要引入ResNet？

理论上讲，随着网络加深，我们获取的信息越来越多多，特征也越来越丰富，性能应该越来越好才对。但实际上，随着网络加深，性能反而下降（如图）

为什么呢？

这是由于网络的加深会造成梯度爆炸和梯度消失的问题。

梯度消失：若每一层的误差梯度小于1，反向传播时，网络越深，梯度越趋近于0
梯度爆炸：若每一层的误差梯度大于1，反向传播时，网络越深，梯度越来越大

这个问题可以用归一化操作解决，但这个方法仅对几十层的网络有用，更深的话就没用了。

于是乎有了ResNet。

ResNet详细解释

ResNet有两种，左边的残差结构叫BasicBlock，右边的残差结构叫Bottleneck

BasicBlock

经过前面若干步处理后传递过来的数值叫x，然后分为两路，

支路直接将x传递到下面（便于一会相加），称作跳跃连接（skip connection）。

主路经过函数F(x)的计算，得到的结果叫做F(x)，然后与刚刚的x相加，即F(x)+x。

Bottleneck

其中第一层的1× 1的卷积核的作用是对特征矩阵进行降维操作，将特征矩阵的深度由256降为64;
第三层的1× 1的卷积核是对特征矩阵进行升维操作，将特征矩阵的深度由64升成256。

为什么要降维？

降低特征矩阵的深度主要是为了减少参数的个数。

为什么要升维？

为了恢复特征图尺度，以便进行加法操作

什么是反向传播？

反向传播的作用是实现参数的优化和学习，以最小化损失函数。

具体来说，反向传播通过计算损失函数对网络参数的梯度，将梯度从输出层向输入层进行传播

什么是梯度值，梯度消失，梯度爆炸？

梯度值是指在机器学习和深度神经网络中，用于表示损失函数相对于模型参数的变化率或斜率。梯度值可以告诉我们在当前参数设置下，目标函数朝着哪个方向变化最快，以及变化的速率。

梯度爆炸（Gradient Explosion）指的是在反向传播过程中，梯度值变得非常大。这可能导致权重更新过大，使模型参数迅速偏离理想状态，导致训练不稳定甚至无法收敛。类似于一个雪球越滚越大，最终无法控制。

梯度消失（Gradient Vanishing）则相反，指的是在反向传播过程中，梯度值变得非常小。这意味着在网络的较深层中，梯度信息逐渐减弱，无法有效地传递到较浅的层，导致浅层网络参数无法得到有效的更新。这使得网络较深的部分很难学习到有用的特征，限制了模型的表达能力。

（深层将信息传递给浅层时，梯度太小，无法有效传递，进而无法有效更新浅层）