版权声明：本文为博主原创文章，转载需注明出处。 https://blog.csdn.net/u013698770/article/details/57977482 resnet是用于解决什么问题的
实验结果表明，层数的增加会提高网络的学习效果。但是，实验结果也表明，如果只是单纯的增加网络的深度，网络的学习能力会下降。实验结果如下图所示：56层的学习误差比20层的学习误差还要大。因此，我们需要一种方法，使网络的深度增加的同时，学习能力也增加。
resnet是通过什么方式来解决问题的
resnet的出现就是来解决这个问题的。 一般情况下我们的网络如下图所示，相较于resnet，我们称之为plaint net，经过两个神经层之后，输出的H(x) 如下所示： H(x)=relu(w2∗(relu(w1∗x))) H(x)和x之间存在一个函数的关系，比如说这两层神经网络构成的是H(x)=2x这样的关系
但是，在残差的网络中，用F(x)=relu(w2∗(relu(w1∗x))) ， 而输出的H(x)=F(x)+x ，那么，为什么要这么设置呢？ Residual Net 核心思想是，去拟合残差函数 F(F=H(x)−g(x)) ，选 g(x)=x 时效果最好。 因此，F(x)=H(x)−x
--------------------- 作者：罗泽 来源： 原文：https://blog.csdn.net/u013698770/article/details/57977482 版权声明：本文为博主原创文章，转载请附上博文链接！
