神經(jīng)網(wǎng)絡(luò)以其強大的非線性表達(dá)能力而獲得人們的青睞，但是將網(wǎng)絡(luò)層數(shù)加深的過程中卻遇到了很多困難，隨著批量正則化，ReLU 系列激活函數(shù)等手段的引入，在多層反向傳播過程中產(chǎn)生的梯度消失和梯度爆炸問題也得到了很大程度的解決。然而即便如此，隨著網(wǎng)絡(luò)層數(shù)的增加導(dǎo)致的擬合能力退化現(xiàn)象依然存在，如下圖所示

可以看到，訓(xùn)練誤差和測試誤差都隨網(wǎng)絡(luò)層數(shù)的增加而增加，可以排除過擬合造成的預(yù)測性能退化。所以這里存在一個邏輯上講不通的問題，通常來說，我們認(rèn)為神經(jīng)網(wǎng)絡(luò)可以學(xué)習(xí)出任意形狀的函數(shù)，具體到這個問題上來，假如淺層網(wǎng)絡(luò)可以獲得一個不錯的效果，那么理論上深層網(wǎng)絡(luò)增加的額外層只需要學(xué)會恒等映射，即可獲得與淺層網(wǎng)絡(luò)相同的預(yù)測精度

但實際情況根本不是這么回事兒，那么問題出在哪兒了呢？我們一廂情愿的認(rèn)為中間層能夠?qū)W會恒等映射，但事與愿違，這一假設(shè)不成立，也就是說，具有很強的非線性擬合能力的傳統(tǒng)神經(jīng)元結(jié)構(gòu)卻連最簡單的恒等映射都模擬不了，抓住這一要點后，新的優(yōu)化方向便映入眼簾了，既然這種交叉連接的神經(jīng)元無法實現(xiàn)恒等映射，那么再增加一路恒等映射的連接不就行了

這樣一來，假如兩層之間的恒等映射是最優(yōu)解，就像之前提到的那種情況，那么只需要權(quán)重層，即圖中的 weight layer，學(xué)會把所有的權(quán)重都設(shè)為 0 就行了，而這種學(xué)習(xí)任務(wù)是很簡單的。

所以可以總結(jié)道，resnet 的提出是因為發(fā)現(xiàn)了普通的神經(jīng)網(wǎng)絡(luò)連接方式無法實現(xiàn)有效的恒等映射，于是額外增加了一路恒等連接層來輔助學(xué)習(xí)。體現(xiàn)在最終效果上就是說普通神經(jīng)網(wǎng)絡(luò)的連接方式更容易學(xué)習(xí)到殘差，所以這種方式就被稱為殘差學(xué)習(xí)。

編輯：jq