🍊作者简介：秃头小苏，致力于用最通俗的语言描述问题
🍊专栏推荐：深度学习网络原理与实战
🍊近期目标：写好专栏的每一篇文章
🍊支持小苏：点赞👍🏼、收藏⭐、留言📩
ResNet
ResNet是2015年ILSVRC比赛冠军，在分类识别定位等各个赛道碾压之前的各种网络。重点是他的作者是中国人，何恺明大神！！！
我们先来谈谈之前深度学习网络中普遍存在的问题——随着网络层数的加深，网络训练结果并不能得到提升，反而会发生下降的问题，这种现象被称之为网络退化问题。具体可以参照下图，可以发现不管是在训练集还是在测试集，传统的网络层数增加后，错误率反而变大了。
当发生网络退化问题后，人们一度认为深度学习就到这里为止了，直到ResNet的出现才解决了这一问题。ResNet的核心就是残差模块，下面主要来讲讲残差模块的设计。
在原论文中，残差路径可以大致分成2种，一种有bottleneck结构，即下图右中的1×11×1 卷积层，用于先降维再升维，主要出于降低计算复杂度的现实考虑，称之为“bottleneck block”，另一种没有bottleneck结构，如下图左所示，称之为“basic block”。basic block由2个3×33×3卷积层构成。
其实ResNet最主要的就是上图的残差模块，上图会涉及到一个什么残差映射函数，F(x),H(x),我想看过ResNet的都知道有这么一回事，但是为什么是这样设计的可能都不是很清楚，我也没有弄明白这一块，网上也感觉说不清这回事，让我想到程序员就是炼丹师这句话，的确啊，有的神经网络里面的东西很奇妙，你不知道为什么！！！这里我就放上一个链接吧，看能不能看明白。ResNet详解——通俗易懂版。
至于ResNet全部的结构如下：【以34层的作为代表】
其实搞明白我前文所说的那几种网络结构，知道了ResNet的残差模块,上图结构是很容易看懂的，都是一些残差模块的整合！！！
🥺🥺🥺好吧，感觉每次写到最后都会有一点偷懒，也许是最后的内容就自以为大家有了前面的基础了，就写的少了【好吧，是借口】太晚了，晚安🛌🏼🛌🏼🛌🏼
咻咻咻咻~~duang~~点个赞呗