今日学习了深度残差连接模块的概念（ResNet）

问题提出的背景为：

1. 随着网络层的加深，模型在测试集和训练集上的误差也随之增大具体如下图表示

                                          56层的网络模型误差明显高于20层的网络模型误差

2. 网络层数的加深会带来梯度爆炸与梯度消失的问题

梯度消失：在神经网络的训练过程中会产生误差梯度，而有时误差梯度会非常小，这就会导致权重值更新会受到阻碍，甚至达到停滞的阶段。

梯度爆炸：与梯度消失问题相反，在深层网路的训练过程中梯度误差会不停的累加，这会导致权重动荡的幅度很大，极端情况下权重值会异常大。

3：下降的原因不是因为过拟合（过拟合情况模型在训练集上的表现应该更好），而且在加深网络层后并没有减少误差

问题解决方法：

1.非该论文提出的方法：添加本征映射层，其他层复制已经学习过的浅层。 SGD无法找出最优2  该论文提出的方法： 

从梯度更新的角度

无残差模块梯度更新：

 有残差模块的梯度更新：相对于无残差模块,有残差模块添加了固有的梯度所以在训练时即使权重过小，但是固有梯度任然可以使网络不断训练.

 网络结构

1.对于输出feature map大小相同的层，有相同的filter 即channel即可，当feature map大小减半时（池化层）channel数量翻倍   

2.维度相匹配时使用实线连接，相反使用虚线连接。维度不相互匹配时有三种方案可供选择

        A：zero padding操作增加维度

        B：使用  1*1的卷积核，直接设置channel 数

        C：所有的shortcuts使用全连接层映射

原论文中对比了三种操作方法，C方法在数值上变现更好，但是会增加计算复杂度，所以一般使用B方法 .