1 min to read

ResNet模型

解决深度神经网络训练中的梯度消失和梯度爆炸问题.

Featured image

ResNet模型

ResNet（Residual Network）是一种深度卷积神经网络架构，由微软研究员于2015年提出，旨在解决深度神经网络训练中的梯度消失和梯度爆炸问题。ResNet的主要创新是引入了残差块（Residual Block），允许网络更轻松地训练非常深的层次，从而在图像分类等计算机视觉任务中取得了显著的性能提升。 模型结构： ResNet的核心思想是通过跳跃连接（skip connection）或短路连接（shortcut connection）引入残差块，以便信息能够在网络层之间更轻松地传递。这些残差块允许网络在训练过程中学习恒等映射（identity mapping），从而减轻了梯度消失问题。 ResNet的基本结构如下： 输入层（Input Layer）： 输入图像首先经过一个卷积层和池化层，用于提取初始特征。 残差块（Residual Blocks）： ResNet包括多个残差块，每个残差块由两个卷积层组成。跳跃连接将输入添加到了每个残差块的输出，允许信息流经网络。 全局平均池化（Global Average Pooling）： 最后一个残差块的输出通过全局平均池化层，将特征图降维为一个向量。 全连接层（Fully Connected Layer）： 向量通过一个或多个全连接层，最终用于图像分类。