[2] Deep Residual Learning for Image Recognition ( CVPR 2016)
作者：Kaiming He Xiangyu Zhang Shaoqing Ren Jian Sun
单位：微软研究院

摘要：
更深层的神经网络更难训练。我们提出了一个残差学习框架，以减轻对比先前使用的深度更深的网络的训练。我们显式地将层重构为参考层输入的学习残差函数，而不是学习未参考的函数。我们提供了全面的经验证据，表明这些残差网络更容易优化，并且可以从大幅增加的深度中获得准确性。在ImageNet数据集上，我们评估了深度高达152层的残差网络- -比VGG网络[ 40 ]深8倍，但仍具有较低的复杂度。这些残差网络的集合在ImageNet测试集上达到3.57 %的误差。这个结果赢得了ILSVRC 2015分类任务的第一名。我们也提供了对100层和1000层CIFAR - 10的分析。
表示的深度对于许多视觉识别任务来说是至关重要的。由于我们非常深入的表示，我们在COCO目标检测数据集上获得了28 %的相对改进。深度残差网络是我们提交ILSVRC & COCO 2015竞赛1的基础，我们在ImageNet检测、ImageNet定位、COCO检测和COCO分割任务上也获得了第1名。

主要贡献：
（1）提出了残差块，通过跳跃连接解决深度网络训练中的退化问题。使得网络可以有效地加深至152层以上，而不出现性能下降。
（2）在ImageNet和COCO数据集上展示了残差网络在图像识别任务中的优越性能。

创新点：
引入了残差块的概念，使得网络能够学习输入与输出之间的残差，而不是直接学习期望映射，这大大简化了优化过程。提出了有效的网络训练策略，包括权重初始化和批归一化，进一步提高了模型的收敛速度和性能。

简介：
在本文中，我们通过引入深度残差学习框架来解决退化问题。为了拟合一个期望的底层映射，我们显式地让这些层拟合一个残差映射。在形式上，我们将期望的底层映射表示为H ( x )，并让堆叠的非线性层拟合F ( x )的另一个映射：F ( x )= H ( x ) - x。原始映射被重铸成F ( x ) + x。我们假设优化残差映射比优化原始的、未引用的映射更容易。在极端情况下，如果一个恒等映射是最优的，那么将残差推到零比用一堆非线性层拟合一个恒等映射更容易。

框图：
关于ResNet
疑问：
为什么更深层次的网络更难训练？

①梯度消失和爆炸：在反向传播过程中，梯度可能会逐层减小（消失）或增大（爆炸），导致更新不稳定，从而影响模型的学习。
②过拟合：深层网络具有更多参数，更容易在训练数据上过拟合，特别是在数据量不足的情况下。
③优化困难：随着网络深度增加，优化目标变得更加复杂，导致梯度更新变得更加困难。
④特征学习：深层网络需要逐层学习复杂的特征，浅层网络可能无法捕捉到所有重要信息，导致性能下降。

残差网络会使得深度更深的网络容易训练，为什么？

①残差学习：ResNet通过引入残差块，让网络学习输入与输出之间的残差而不是直接学习完整的映射。这种方式简化了学习过程，使得优化变得更容易。
②跳跃连接：跳跃连接允许信息在网络中更直接地流动，减少了梯度消失的问题，从而使得即使在深层网络中，梯度也能有效传播。
③恒等映射：如果某一层的最优映射是恒等映射，网络可以通过跳跃连接轻松地实现，而不需要重新学习复杂的功能，从而加快了收敛速度。
④特征复用：跳跃连接使得低层提取的特征可以被高层使用，从而提高了特征的利用效率，有助于更有效地学习复杂模式。

残差网络更容易优化，并且可以从大幅增加的深度中获得准确性，为什么？
同上
残差网络的深度增加，但是复杂度并不会大幅度增加
同上
特征的"层级"是什么意思

低层特征：
这些特征通常表示图像的基本元素，比如边缘、角点和简单的纹理。在网络的前几层中提取。
中层特征：
这些特征是低层特征的组合，能够捕捉到更复杂的形状或局部模式，例如物体的一部分（如车轮、花瓣）。
高层特征：
在网络的高层，特征表示更加抽象，通常能够识别完整的物体或更复杂的概念，如“汽车”或“人”。
随着特征层级的提高，特征的表现也会越来越复杂、抽象，但是所能表示的意义更丰富。

更深层的网络训练误差和测试误差会更高，为什么？
还是梯度消失、过拟合、优化困难等原因
归一化初始化和中间归一化层是什么？如何解决梯度消失或爆炸的问题的
归一化初始化和中间归一化层（如批归一化）是两种不同的技术，用于提高神经网络的训练效率，并解决梯度消失或爆炸的问题。

1. 归一化初始化
归一化初始化指的是在网络参数初始化时，使用特定的标准化方法来设置权重。这种初始化方法可以防止激活值在传递过程中变得过大或过小，从而减轻梯度消失或爆炸的风险。

常见方法：
Xavier初始化：适用于使用sigmoid或tanh激活函数的网络，使得每一层的输出方差与输入方差保持一致。
He初始化：特别适合ReLU激活函数，考虑了ReLU的非对称性，能够更好地保持激活分布。

2. 中间归一化层（Batch Normalization）
批归一化是在每个小批次上对层的输出进行标准化，使其均值为0，方差为1。

这有助于以下几个方面：
①稳定分布：通过减少输入分布的变化，确保每层在训练过程中接收到更稳定的输入，从而提高训练速度和稳定性。
②加速收敛：使得学习率可以设置得更高，从而加快模型收敛。
③缓解梯度消失/爆炸：保持激活值的范围，有助于避免梯度在反向传播过程中的消失或爆炸。

总结
通过归一化初始化和中间归一化层，神经网络可以更有效地训练，减少梯度消失或爆炸的风险，从而实现更深层网络的有效学习。

能够收敛的深层次的网络为什么比浅层网络误差率高？在排除过拟合的原因，还有哪些原因导致这样的情况？
同上（残差网络更容易优化）
为什么把上一层的输出与残差块后的输出相加，这样模型的性能就会更好？
缓解梯度消失…
举个例子解释一下残差网络的流程
shortcut快捷连接是什么意思
残差网络可以把一层作为一个残差块吗
可以，但是性能一般
投影是什么意思