resnet18比resnet50好（resnet50和resnet101）



Conv--> bn--> relu

对于上面 7x7卷积和maxpooling,注意这个卷积是不能进行bn和relu的，因为version2的顺讯是 bn->relu->conv所以 bn和relu要留到conv2层

stack_blocks_dense是把4个block都进行展开，最后一个block后要进行额外的 bn->relu reduce_mean([1,2])表示 [batch_size, 7,7,2048] 变成 [batch_size,1,1,2048] 每个7x7进行取均值

??最后一个为什么stride是1,因为不需要downsampling,代替的是average pool

bottleneck结构如下： {because of concerns on the training time that we can afford,所以改成了bottleneck结构}

一下两个结构有相同的复杂度，但是发下左边的维度是64 右边是256 其实就是4倍的关系

(a)就是第一篇论文采取的结构

这篇文章侧重在想创造一条直接的通路用来传播信息，不仅仅是在一个残差单元内，而是考虑在整个网络中。

论文发现当h(x)和f(y)都是自映射，信号能直接传播到下个单元，无论是前向传播或是后向传播，所以设计了上图(b)的结构

实验发现h(x)使用1x1卷积或者gate 都不如直接自映射得到的结果好

由post-activation 变成了 pre-activation 之前是relu在conv后， 现在relu在conv前

(1) 任何一层的输出都可以由之前某个底层的输出及一个残差结构表示

任何一层的输出都可以由原始输入和到它的所有残差输出之和表示， 而以前的网络都是层与层的积表示

(3) 对loss求导发现

求和那项不会永远都为-1，所以梯度不会弥散 vanish, 即使当weights任意小的时候

对比了不同的shortcut方式，发现就是简单的identity比较好，1x1conv效果更差，可以用来对不同维度的数据进行处理

对比了不同的relu,bn，conv的组合方式，发现以下的full pre-activation的结构效果最好

对于第一个residual结构的输入，因为前面是一个单独的conv层，我们需要对conv层的结果进行activation

对于最后一个residual结构，在addition之后要额外进行一个activation

以上为论文解读。接下来是代码实现。

版权声明：

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。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。
如若内容造成侵权、违法违规、事实不符，请将相关资料发送至xkadmin@xkablog.com进行投诉反馈，一经查实，立即处理！

转载请注明出处，原文链接：https://www.xkablog.com/rfx/48298.html