ResNet（Residual Neural Network）是一种深度
残差 神经网络，由微软研究院的Kaiming He等人于2015年
提出。它通过引入
残差连接（residual connection）来解决深度
神经网络训练过程
中的梯度消失和梯度爆炸问题。
在传统的
神经网络 中，每一层的输入都是前一层的输出，通过多个非线性变换层逐层堆叠，最终得到输出。然而，随着网络层数的增加，梯度在反向传播过程
中容易消失或爆炸，导致网络难以训练。
ResNet通过引入
残差块（residual block）来解决这个问题。
残差块由两个主要部分组成：恒等映射（identity mapping）和
残差映射（residual mapping）。恒等映射将输入直接传递到输出，而
残差映射则对输入进行变换。通过将恒等映射与
残差映射相加，得到
残差块的输出。这种设计使得网络可以学习到
残差部分，从而更好地适应数据。
ResNet的核心思想是通过跨层连接（skip connection）来构建深层网络。这些跨层连接可以绕过一些非线性变换层，使得梯度能够更快地传播。此外，
ResNet还引入了批量归一化（batch normalization）和全局平均池化（global average pooling）等技术，进一步提升了网络的性能。
今天的文章 resnet（resnet作者）分享到此就结束了，感谢您的阅读。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
如需转载请保留出处：https://bianchenghao.cn/bian-cheng-ri-ji/57559.html