ΕπόμενοΕπόμενος οδηγός
Δίκτυα κατοχής και σιωπηρά τρισδιάστατα σχήματα
Οπτική τεχνητή νοημοσύνη
ΟΔΗΓΟΣ οπτικού AI
Υπολειμματικά Δίκτυα
Residual networks use shortcut connections so a block can learn an adjustment to its input.
Ακούστε αυτόν τον οδηγόαφήγηση με AI · ~2 min
Σε αυτήν τη σελίδα2 λεπτά ανάγνωση
Επισκόπηση
This design helped train deeper convolutional networks and also appears in other neural architectures.
Βαθιά κατάδυση
The ResNet paper addressed degradation observed as networks became deeper. Its residual formulation learns F(x) and produces an output by adding the shortcut input, commonly y=F(x)+x when dimensions align. The paper evaluated residual networks up to 152 layers on ImageNet. When tensor dimensions differ, implementations use a projection or another compatible mapping. The original paper reports benchmark results for its evaluated setup; this does not establish current performance in unrelated tasks such as medical imaging or autonomous driving. When shortcut and residual dimensions differ, the ResNet paper uses a learned projection to match shapes before addition. Its bottleneck block uses 1×1, 3×3, and 1×1 convolutions. Residual links help optimize the studied networks but do not guarantee that depth improves every task. Transformer blocks also use residual connections around attention and feed-forward sublayers, as described by Vaswani et al.
Υλοποίηση σε πραγματικό κόσμο
A ResNet backbone supplies image features to a classification or detection system.
A researcher compares identity and projection shortcuts when tensor shapes differ.
A deep-learning student traces how the input contributes to the block output.
Transformer blocks use residual connections around sublayers.
Το μέλλον των υπολειπόμενων δικτύων
Residual connections remain common, but variants and placements differ among architectures. Avoid describing them as universally sufficient to solve optimization or as a guarantee of performance.
Κάνοντάς το στην πράξη
Γιατί έχει σημασία
- Ταχύτητα και κλίμακα. Το Visual AI μπορεί να αυτοματοποιήσει εργασίες επιθεώρησης, ανίχνευσης και επισήμανσης σε κλίμακα.
- Δημιουργήστε επιλογές. Οι δημιουργικές ομάδες μπορούν να δημιουργήσουν πρωτότυπες ιδέες γρηγορότερα με λιγότερες μη αυτόματες αναθεωρήσεις.
- Ομάδα και ροή εργασίας. Οι λειτουργίες μπορούν να χρησιμοποιούν σήματα εικόνας και βίντεο που προηγουμένως ήταν δύσκολο να επεξεργαστούν.
Προσέξτε
- Τα δικαιώματα εικόνας και η συναίνεση μπορεί να αποτελέσουν νομικούς κινδύνους εάν η προέλευση είναι ασαφής.
- Η απόδοση του μοντέλου μπορεί να διαφέρει ανάλογα με το φωτισμό, τα δημογραφικά στοιχεία και τα περιβάλλοντα.
- Τα ψευδώς θετικά μπορεί να περάσουν απαρατήρητα εκτός εάν παρακολουθούνται τα όρια εμπιστοσύνης.
Επόμενα βήματα
- Καθορίστε κριτήρια αποδοχής για το κόστος ακρίβειας, ανάκλησης και σφάλματος.
- Δοκιμή με δεδομένα που ταιριάζουν με πραγματικές συνθήκες παραγωγής.
- Προσθέστε ανθρώπινη κριτική για προβλέψεις χαμηλής εμπιστοσύνης ή υψηλού αντίκτυπου.
- Παρακολουθήστε τη μετατόπιση του μοντέλου και επικυρώστε εκ νέου μετά από αλλαγές κάμερας ή δεδομένων.
Συνεχίστε την εξερεύνηση
Δωρεάν ενημερωτικό δελτίο
Λάβετε την καθημερινή ενημέρωση AI
Τρία επαληθευμένα νέα AI κάθε πρωί της εβδομάδας, γραμμένα σε απλή αγγλική. Δωρεάν για πάντα, χωρίς διαφημίσεις.
Ένα email κάθε εργάσιμη ημέρα. Κατάργηση συνδρομής με ένα κλικ. Δεν πουλάμε ή μοιραζόμαστε ποτέ τη διεύθυνσή σας.
Δοκιμάστε τον εαυτό σας
Take the Residual Networks quiz
Άμεση ανάδραση σε κάθε απάντηση, και πιστοποιητικό με επαληθεύσιμο ID μόλις περάσετε το μάθημα.
Υποστηρίξτε τη δωρεάν εκπαίδευση AI. AI Understanding είναι μια μη κερδοσκοπική οργάνωση 501(c)(3) — χωρίς διαφημίσεις, χωρίς τοίχο πληρωμής, ποτέ. Κάντε μια δωρεά
Συχνές ερωτήσεις
Τι είναι τα Υπολειμματικά Δίκτυα;
Residual networks use shortcut connections so a block can learn an adjustment to its input. This design helped train deeper convolutional networks and also appears in other neural architectures.
Τι πρόβλημα έλυσαν συγκεκριμένα οι υπολειπόμενες συνδέσεις;
The ResNet paper describes a degradation problem: adding layers to a plain network could increase training error. Residual learning improved optimization in the studied deep networks; it is not a universal guarantee that deeper models perform better.
What does a basic residual block compute when input and output dimensions match?
The ResNet paper reformulates layers as residual functions and adds the shortcut input.
Γιατί οι συνδέσεις παράλειψης βοηθούν τις κλίσεις κατά τη διάρκεια της προπόνησης;
The identity shortcut provides an additional path for gradients to flow around the learned residual function, which can ease optimization in deep networks; it does not eliminate every gradient problem.
How deep was the deepest ResNet evaluated in the original ImageNet paper?
The paper evaluates residual networks up to 152 layers on ImageNet.
Εάν τα στρώματα ενός υπολειπόμενου μπλοκ μαθαίνουν F(x) = 0, τι κάνει το μπλοκ;
Όταν F(x) = 0, η έξοδος είναι μόνο x, οπότε το μπλοκ γίνεται αντιστοίχιση ταυτότητας. Αυτό καθιστά τα επιπλέον στρώματα αβλαβή εάν δεν χρειάζονται.
Συνέχισε να μαθαίνεις
Σχετικοί οδηγοί
Επιλέχθηκαν περισσότεροι οδηγοί για αυτό το θέμα