版权声明
- 本文原创作者：谷哥的小弟
- 作者博客地址：http://blog.csdn.net/lfdfhl
论文背景
随着深度学习的发展，神经网络的深度逐渐成为影响模型性能的关键因素。然而，随着网络深度的增加，训练过程中的梯度消失和模型退化问题愈发严重，这限制了神经网络性能的进一步提升。《Deep Residual Learning for Image Recognition》这篇论文通过引入残差学习的思想，有效解决了这些问题，为深度学习领域带来了新的突破。
残差学习与残差网络的核心思想
残差映射的基本概念
残差映射是残差网络的核心思想，其数学表达式为(H(x) = F(x) + x)，其中(F(x))代表残差函数，即输入(x)与期望输出(H(x))之间的差异。通过引入残差映射，网络在训练过程中只需要学习输入与输出之间的差异部分，从而降低了学习难度。
恒等映射与短路连接
恒等映射是残差网络中的另一个重要概念，它通过将输入(x)直接跳过多层网络并加入到更深层的输出中，实现了信息的直接传递。这种做法不仅不会增加额外的参数和计算复杂度，还有助于解决深度神经网络在训练过程中的梯度消失问题。恒等映射通过短路连接（shortcut connection）实现，确保了信息的有效流动。
