标签：输出 display margin 输入 height 技术分享 caff 相同 导致
最近在看的一篇论文中使用来了残差网络的结构，所以来了解一下残差网络的工作原理。残差网络的深度可以达到令人发指的深度，具体有多牛逼我也不多说了。
大家都知道更深的网络能够产生更好的效果，但是训练一个很深的网络却一直是一个难题，主要原因有如下几点：梯度消失、尺度不均匀的初始化。为了解决这些问题，许多研究者也提出了很多种解决办法，但是并没有很好的解决问题。何恺明发现了下面这种状况：
随着网络深度的增加，网络性能反而下降，而且不仅仅是测试误差增大，训练误差也更大，说明这并不是由过拟合导致的。这种现象是不合理的。假设目前有一个效果很好的网络A，这是构建一个比A更深的网络B，那么让B的前一部分与A完全相同，后面的网络层只实现恒等映射，这样B最差查会得到跟A一样的网络性能，而不会比A更差。这也是深度残差网络的思想，既然B后面的部分完全是恒等映射，则可以在训练网络的时候加上这一先验信息，于是在构造网络的时候加入了shortcut链接，即每层的输出不是传统神经网络当中输入的映射，而是映射和输入的叠加。如下图：
本文参考了http://caffecn.cn/?/article/4
标签：输出 display margin 输入 height 技术分享 caff 相同 导致
原文地址：http://www.cnblogs.com/claude-gyh/p/6565564.html
