resnet的好处 ResNet引入了残差单元,很好的解决了这个问题。 引入残差单元,简化学习目标和难度,加快训练速度,模型加深时,不会产生退化问题 引入残差单元,能够有效解决训练过程中梯度消失和梯度爆炸问题
ResNet_v2与v1的最大区别就是v2的BN和ReLU是在卷积之前使用的,好处: 反向传播基本符合假设,信息传递无阻碍; BN层作为pre-activation,起到了正则化的作用;
残差网络与普通网络不同的地方就是引入了跳跃连接,这可以使上一个残差块的信息没有阻碍的流入到下一个残差块,提高了信息流通,并且也避免了由与网络过深所引起的消失梯度问题和退化问题。 损失函数 0-1损失函数 该损失函数的意义就是,当预测错误时,损失函数值为1,预测正确时,损失函数值为0。该损失函数不考虑预测值和真实值的误差程度,也就是只要预测错误,预测错误差一点和差很多是一样的。 二分类逻辑回归损失函数
sigmoid函数 饱和激活函数,在方向传播中容易产生梯度消失 计算梯度时计算量大 输出的范围为(0,1) 单调连续 池化层是如何进行反向传播的