Resterande nätverk
Residual Networks (ResNets) är djupa neurala nätverk som lägger till "hoppa över anslutningar" som låter lager lära sig små justeringar istället för fullständiga transformationer.
Översikt
This simple trick made it possible to train networks hundreds of layers deep, sparking a leap in image recognition accuracy.
Djupdykning
Innan ResNets gjorde stapling av många lager paradoxalt nog nätverken att prestera sämre, även på träningsdata, ett problem som kallas försämring. År 2015 introducerade Microsoft forskarna Kaiming He och kollegor restblocket: istället för att be en bunt lager att producera en utdata H(x) direkt, lät de den lära sig en kvarvarande F(x) = H(x) - x och lade sedan tillbaka den ursprungliga ingången x via en genväg. Om ett lager är onödigt kan det helt enkelt lära sig att inte göra någonting (F(x) = 0). ResNet-152 vann 2015 ImageNet-tävlingen med ett topp-5-fel på cirka 3,6 procent, vilket slog uppskattningar på mänsklig nivå, och dess arkitektur blev en grundläggande ryggrad för detektion, segmentering och medicinsk bildbehandling.
Teknisk insikt
Överhoppningsanslutningen förvandlar varje blocks jobb till y = F(x) + x. Under backpropagation flyter gradienten genom identitetsgenvägen oförändrad, så den kan inte försvinna till nära noll ens över hundratals lager. This keeps deep stacks trainable. Identity shortcuts add no extra parameters; endast när inmatnings- och utmatningsstorlekarna skiljer sig, justerar en liten projektion (1x1 faltning) dimensionerna före tillägget.
Strategisk inverkan
Speed and scale
Visual AI kan automatisera inspektion, upptäckt och taggningsuppgifter i stor skala.
Build choices
Kreativa team kan prototypa koncept snabbare med färre manuella revisioner.
Team and workflow
Operationer kan använda bild- och videosignaler som tidigare var svåra att bearbeta.
Framtiden för återstående nätverk
Restanslutningar är nu nästan universella: Transformatorer, diffusionsmodeller och stora språkmodeller använder dem alla för att stabilisera träning av mycket djupa stackar. Forskningen fortsätter på varianter som ResNets för aktivering, ResNeXts grupperade vägar och att kombinera restidéer med normaliseringsfri träning. Räkna med att principen om överhoppningskoppling kommer att bestå som en standardbyggsten, även när de omgivande arkitekturerna skiftar bort från rena veck mot uppmärksamhet och hybriddesign.
Real-World Implementation
ImageNet-klassificeringsryggrad (ResNet-50, ResNet-101) som används som förutbildade funktionsextraktorer för överföringsinlärning
Tumör- och lesionsdetektion i radiologi- och patologibilder med hjälp av ResNet-baserade kodare
Ramverk för objektdetektering och instanssegmentering som Faster R-CNN och Mask R-CNN som använder ResNet-stamnät
Självkörande perceptionspipelines som klassificerar fotgängare, fordon och skyltar från kameraramar
Risker & skyddsräcken
Bildrättigheter och samtycke kan bli juridiska risker om härkomst är oklart.
Modellens prestanda kan variera mellan belysning, demografi och miljöer.
Falska positiva resultat kan gå obemärkt förbi om inte konfidensgränser övervakas.
Färdplan för genomförande
Definiera acceptanskriterier för precision, återkallelse och felkostnader.
Testa med data som matchar verkliga produktionsförhållanden.
Lägg till mänsklig granskning för lågt förtroende eller förutsägelser med stor inverkan.
Spåra modelldrift och återvalidera efter ändringar av kamera eller datauppsättning.
Fortsätt utforska
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Residual Networks quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Next guide
Feature Pyramid Networks
Frequently asked questions
What is Residual Networks?
Residual Networks (ResNets) är djupa neurala nätverk som lägger till "hoppa över anslutningar" som låter lager lära sig små justeringar istället för fullständiga transformationer. Detta enkla trick gjorde det möjligt att träna nätverk hundratals lager djupa, vilket gav ett steg i bildigenkänningsnoggrannheten.
Vilket problem löste restanslutningar specifikt?
Innan ResNets lades till fler lager gjorde att noggrannheten försämrades även på träningsdata. Hoppa över anslutningar fixade detta genom att göra lager lätta att optimera.
Vad beräknar egentligen ett restblock som dess utdata?
Ett restblock utmatar y = F(x) + x, vilket adderar den inlärda residualen till ingången via en överhoppningsanslutning.
Varför hjälper hoppa över anslutningar gradienter under träning?
Identitetsgenvägen ger en direkt väg för gradienter att flöda bakåt oförändrat, vilket förhindrar problemet med försvinnande gradient i mycket djupa stackar.
Ungefär hur många lager hade den vinnande ResNet-modellen från 2015?
ResNet-152, med 152 lager, vann ImageNet-tävlingen 2015, vilket visar att mycket djupa nätverk nu kunde tränas framgångsrikt.
Om ett restblocks lager lär sig F(x) = 0, vad gör blocket?
När F(x) = 0 är utsignalen bara x, så blocket blir en identitetsmapping. Detta gör extra lager ofarliga om de inte behövs.