学习笔记16：残差网络

转自：https://www.cnblogs.com/miraclepbc/p/14368116.html

产生背景

随着网络深度的增加，会出现网络退化的现象。
网络退化现象形象化解释是在训练集上的loss不增反降。
这说明，浅层网络的训练效果要好于深层网络
一个想法就是，如果将浅层网络的特征传到深层网络，那么深层网络的训练效果不会比浅层网络差
举个例子，就是假设总共有50层，20层的训练结果就比50层的好了，因此可以将18层与98层之间连接一个直接映射
这样随着网络的加深，训练效果就不会降低了

残差块

残差块的数学表示：
${\mathrm{xl+1=xl+F(xl,Wl)𝑥𝑙+1=𝑥𝑙+𝐹(𝑥𝑙,𝑊𝑙)xl𝑥𝑙相当于是一个直接映射，F(xl,Wl)𝐹(𝑥𝑙,𝑊𝑙)是残差部分}}^{}$

在这个网络结构中，右侧指的就是残差部分，左侧是直接映射

代码实现

class ResnetbasicBlock(nn.Module):
    def __init__(self, in_channels, out_channels):
        super().__init__()
        self.conv1 = nn.Conv2d(in_channnels, out_channels, kernel_size = 3, padding = 1, bias = False)
        self.bn1 = nn.BatchNorm2d(out_channels)
        self.conv2 = nn.Conv2d(out_channels, out_channels, kernel_size = 3, padding = 1, bias = False)
        self.bn2 = nn.BatchNorm2d(out_channels)
    def forward(self, x):
        residual = x
        out = self.conv1(x)
        out = F.relu(self.bn1(out), inplace = True)
        out = self.conv2(out)
        out = F.relu(self.bn2(out), inplace = True)
        out = out + residual
        return F.relu(out)