秒懂！何凯明的深度残差网络PPT是这样的

联合编译：Blake、高斐

雷锋网 (搜索“雷锋网”公众号关注) 注：何凯明博士，2007年清华大学毕业之后开始在微软亚洲研究院（MSRA）实习，2011年香港中文大学博士毕业后正式加入MSRA，目前在Facebook AI Research (FAIR)实验室担任研究科学家。曾以第一作者身份拿过两次CVPR最佳论文奖（2009和2016）——其中2016年CVPR最佳论文为 图像识别中的深度残差学习（Deep Residual Learning for Image Recognition） ，本文为何凯明博士在ICML2016上的tutorial演讲以及相关PPT整理。相比学术论文，他在演讲PPT中深入浅出地描述了深度残差学习框架，大幅降低了训练更深层次 神经网络 的难度，也使准 确率得到显著提升。

深度残差网络——让深度学习变得超级深

ICML 2016 tutorial

何凯明——Facebook AI Research（8月加入）

概览

• 介绍

• 背景

从浅到深

• 深度残差网络

从10层到100层

从100层到1000层

• 应用

• Q & A

| 介绍部分

介绍—— 深度残差网络（Resnet）

• “用于图像识别的深度残差学习” CVPR2016

• 一个能够用来训练“非常深”的深度网络又十分简洁的框架

• 在以下几个领域中都能实现当下最好的表现

图像分类

对象检测

语义分割

等等

Resnet在ILSVRC 和COCO 2015上的表现

在五个主要任务轨迹中都获得了 第一名 的成绩

ImageNet分类任务：“ 超级深 ”的 152 层网络

ImageNet检测任务：超过第二名 16%

ImageNet定位任务：超过第二名 27%

COCO检测任务：超过第二名 11%

COCO分割任务：超过第二名 12%

深度网络的革命（从浅层到越来越深的层级）

在ILSVRC2010年左右还主要是浅层网络，大部分需要手动调教特征。在ILSVRC2012年时，出现了8层的网络——AlexNet，降低了10%的错误率。而后ILSVRC2014出现的VGG和GoogleNet是相当成功的，它们分别将层级提到了19层、22层，错误率也降低到了7.3、6.7。到去年的ILSVRC2015，我们的ResNet将层级提到了 152 层，将错误率降到了 3.57 。

深度网络的革命

AlexNet, 8层 (ILSVRC 2012)

深度网络的革命

AlexNet, 8层 (ILSVRC 2012)

VGG, 19层 (ILSVRC 2014)

GoogleNet, 22层 (ILSVRC 2014)

深度网络的革命

AlexNet, 8层 (ILSVRC 2012)

VGG, 19层 (ILSVRC 2014)

ResNet, 152 层 (ILSVRC 2015)

深度网络的革命

PASCAL VOC 2007—— 中间层数代表视觉识别的层数

HOG, DPM—— 浅层 ——34%的对象检测率

AlexNet (RCNN)—— 8层 ——58%的对象检测率

VGG (RCNN)—— 16层 ——66%的对象检测率

ResNet (Faster RCNN)—— 101层 ——86%的对象检测率

ResNet在COCO测试中的对象检测成绩

ResNet十分简单，且容易学习

• 许多第三方实现工具

Facebook AI Research’s Torch ResNet

Torch, CIFAR-10,使用 ResNet-20到 ResNet-110, 训练代码等

Lasagne, CIFAR-10, 使用 ResNet-32 和 ResNet-56 以及训练代码等

Neon, CIFAR-10, 使用预训练的 ResNet-32到 ResNet-110 模型、代码等

Torch, MNIST, 100层

Neon, Place2 (mini), 40层

• 容易重现结果

• 一系列的扩展和后续工作

6个月内超过200词引用（在2015年12月发布在arXiv上后）

深度残差网络——从第10层到100层

逐层深入

• 初始化算法

• 批归一化算法

• 学习更好的网络是否与堆叠层数一样简单？

仅是简单的层数堆叠吗？

• “平原”网络：堆叠3x3卷积网络……

• 与第20层网络相比，第56层网络存在更高的训练误差与测试误差。

• 层数过深的平原网络具有 更高的训练误差

• 这是一个在许多数据集中都能够观察到的普遍现象

• 网络层数较浅的模型（18层）

• 网络层数较深的模型（34层）

较高分辨率空间

一个较深的网络模型 不应当具有较高的训练误差

通过构建形成的分辨率：

• 原始层：由一个已经学会的较浅模型复制得来

• 附加层：设置为“恒等”

• 至少具有相同的训练误差

优化难题：随着网络层数不断加深，求解器不能找到解决途径

深度残差学习

• 平原网络

H(x)是任意一种理想的映射

希望第2类权重层能够与H(x)拟合

残差网络

H(x)是任意一种理想的映射

希望第2类权重层能够与F(x)拟合

使H(x) = F(x) + x

• F(x)是一个 残差 映射w.r.t 恒等

如果说恒等是理想，很容易将权重值设定为0

如果理想化映射更接近于恒等映射，便更容易发现微小波动

相关研究——残差表示法

• VLAD & 费舍尔向量(Fisher Vector) [Jegou et al 2010], [Perronnin et al 2007]

编码 残差 向量；强大的较浅表示法。

• 产品量化(IVF-ADC) [Jegou et al 2011]

量化 残差 向量；高效最近邻搜索。

• 多栅 & 分层的先决前提 [Briggs, et al 2000], [Szeliski 1990, 2006]

解决 残差 次要问题；高效PDE求解器。

网络“设计”

• 保持网络的简约性

• 我们的基本设计方案(VGG-style)

所有的3x3卷积层（几乎所有）

空间规模/2=>#过滤器x2 (~每一层的复杂度相同)

简约的设计风格；保持设计风格的简约性

• 其他评论：

无隐层fc

无信息流失

训练

• 所有的平原/残差网络都是从头开始训练的。

• 所有的平原/残差网络都运用组归一化(Batch Normalization)

• 标准化的超参数&增强

CIFAR-10 实验

• 深度残差网络(ResNets)能够在没有任何难题的情况下得到训练

• 深度残差网络(ResNets)具有 较低的训练误差 和测试误差

ImageNet （图像网络）实验

• 深度残差网络(ResNets)能够在没有任何难题的情况下得到训练。

• 深度残差网络(ResNets)具有 较低的训练误差 和测试误差。

• 一个逐层深入的实际可行的设计方案

• 较深的ResNets具有较低的误差

与VGG-16/19相比，该模型具有较低的 时间复杂度 。

图像网络分类误差排行前5的网络模型

讨论

表征，优化，归纳

学习深度模型存在的一些问题

• 表征能力

如果能够找到最佳表征方法，将具备构建模型的能力，以拟合训练数据。

如果模型A的分辨率空间是B的父集，模型A的分辨率更高。

• 优化能力

找到最佳表征方法的可行性

并不是所有的模型都能非常容易地得到优化

• 归纳能力

倘若训练数据是拟合的，测试的性能如何？

残差网络(ResNets)将如何解决这些问题？

• 表征能力

残差网络在模型表征方面不存在直接的优势（只是实现重复参数化）

但是，残差网络允许逐层深入地表征所有的模型

• 优化能力

残差网络使得前馈式/反向传播算法非常顺利进行

在极大程度上，残差网络使得优化较深层模型更为简单

• 归纳能力

残差网络未直接处理学习深度模型过程中存在的归纳问题

但是，更深+更薄是一种好的归纳手段

另外，对于残差网络的详细介绍可见何凯明博士在 2016年CVPR中的最佳论文——图像识别的图像识别中的深度残差学习（Deep Residual Learning for Image Recognition） ：

在论文中介绍了一个深层次的残差学习框架来解决精准度下降问题。我们明确地让这些层适合残差映射，而不是寄希望于每一个堆叠层直接适合一个所需的底层映射。形式上，把H（x）作为所需的基本映射，让堆叠的非线性层适合另一个映射F（x）：=H（x）-x。那么原映射便转化成：F（x）+x。我们假设优化剩余的映射，比优化原来未引用的映射更容易。如果身份映射是最佳的，那么将剩余的映射推为零，就比用一堆非线性层来适应身份映射更容易。

公式F（x）+x可以通过“快捷连接”前馈神经网络实现。快捷连接是那些跳过中的一层或更多层。在我们的情景中，快捷连接简单的执行身份映射，并将它们的输出添加到叠加层的输出。身份快捷连接添加既不产生额外的参数，也会增加不计算的复杂度。通过反向传播的SGD，整个网络仍然可以被训练成终端到端的形式，并且可以在没有修改器的情况下很容易的使用公共资料库（例如Caffe）。

我们在ImageNet上进行了综合性实验展示精准度下降问题，并对我们的方法做出评估。我们发现：

（1）特别深的残差网络很容易优化，但当深度增加时对应的“平面”网（即简单的堆栈层）表现出更高的训练误差。

（ 2）深度残差网络能够在大大增加深度的同时获得高精准度， 产生的结果本质上优于以前的网络。

相似的现象同样出现在了CIFAR-10集中，这表明了优化的难度，以及我们方法影响的不仅仅是类似于一个特定的数据集。我们在这个超过100层数据集中提出了成功的训练模型，并探讨了超过1000层的模型。

在ImageNet分层数据集中，通过极深的残差网络，我们得到了非常好的结果。152层的残差网络在ImageNet中是最深层的网络，同时相比于VGG网络仍然具有较低的复杂性。我们的集成在ImageNet测试集中有3.57%排前5的误差，并且在2015ILSVRC分类竞争中取得第一名。这种极深的陈述在其它识别任务方面也有出色的泛化性能，并带领我们进一步赢得了 第一的位置：在ILSVRC和COCO2015竞赛中的，mageNet检测，ImageNet定位，COCO检测，和COCO分割方面。这有力的证据表明，剩余的学习的原则是通用的，我们期望它适用于其它的视觉和非视觉问题。

PS : 本文由雷锋网独家编译，未经许可拒绝转载！

via Kaiming He