第一遍

深度残差学习

微软亚洲研究院

残差网络很容易训练，并且可以得到很好的精度

深八倍，更低的复杂度

CVPR要求正文数量不能超过八页

怎么让更深的神经网络更容易训练

通过图：在没有加残差层时，34层的网络的误差比18层的高；在加了残差层以后，34层的网络误差比18层的低

第二遍

introduction

读完就可以知道这篇文章的核心，intro是摘要的扩充版本，也是一个对整个工作的描述

网络变深，精度会变差

deep residual learning framework

核心思想：这一层学的结果不是h(x)而是h(x)+x

你的输出不是你的输出，而是你的输出+你的输入

short cut connection

identity mapping

不会加参数，也不会增加模型复杂度

related work

residual

shortcut connection

用同样的东西解决了一个新的问题，和以前的问题有一点不一样

to our best knowledge

实验

学习模型结构

训练精度、测试精度

SGD是慢慢收敛的过程 * 0.1

模型的参数调整也很重要

在所有超参数都一定的情况下，有残差的收敛效果更好

怎么样做更深的resnet：

对特征纬度降一次维，然后做空间维度的东西，最后再回到最初的维度

random crop:随机裁剪

残差连接主要做的事情：如果新加上的层不能让你的模型更好，如果有残差连接的存在，后面的层就不会学到什么东西，所以效果不会变差

在大数据集、小数据、和一个目标检测数据集上分别做了实验

残差连接可以使模型不用过度复杂化，加了残度会让梯度比较大，这样就训练的动

SGD的精髓是让梯度够大，最后的结果会比较好，慢慢地总会收敛

模型复杂度降低，过拟合就不会那么严重，找到一个不那么复杂的模型去拟合数据

这篇文章提出了一个更简单的方法来训练更深的模型

理论和实验二选其一，只要有一个亮点，就蛮好的

只要文章是有启发性的东西的，就可以算一个好东西