ДаліНаступний посібник
Мережі зайнятості та неявні 3D-форми
Візуальний ШІ
Візуальний AI GUIDE
Залишкові мережі
Residual networks use shortcut connections so a block can learn an adjustment to its input.
Послухайте цей посібникШІ-розказаний · ~2 min
На цій сторінці2 хвилини читання
Огляд
This design helped train deeper convolutional networks and also appears in other neural architectures.
Глибоке занурення
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.
Реалізація в реальному світі
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.
Майбутнє залишкових мереж
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.
Застосування на практиці
Чому це важливо
- Швидкість і масштаб. Візуальний штучний інтелект може автоматизувати масштабні завдання перевірки, виявлення та позначення тегами.
- Створіть вибір. Творчі групи можуть створювати прототипи концепцій швидше з меншою кількістю переглядів вручну.
- Команда та робочий процес. Операції можуть використовувати зображення та відеосигнали, які раніше було важко обробити.
Зверніть увагу на
- Права на зображення та згода можуть стати юридичними ризиками, якщо походження невідоме.
- Продуктивність моделі може відрізнятися залежно від освітлення, демографічних показників і середовища.
- Помилкові спрацьовування можуть залишитися непоміченими, якщо не відстежувати пороги довіри.
Наступні кроки
- Визначте критерії прийнятності для точності, відкликання та вартості помилок.
- Тестуйте з даними, які відповідають реальним умовам виробництва.
- Додайте перевірку людиною для прогнозів із низьким рівнем достовірності або високого впливу.
- Відстежуйте дрейф моделі та повторно перевіряйте після зміни камери або набору даних.
Продовжуйте досліджувати
Безплатний розсилок
Отримуйте щоденне зведення новин про ШІ
Три перевірені історії про ШІ щоробочого ранку, написані простою мовою. Безплатно назавжди, без реклами.
Один лист щотижня з понеділка по п'ятницю. Відписатися в один клік. Ми ніколи не продаємо та не передаємо вашу адресу.
Перевір себе
Take the Residual Networks quiz
Миттєва зворотна связь на кожну відповідь та сертифікат із перевіреним ідентифікатором, яким можна поділитися, після проходження курсу.
Підтримайте безплатну освіту у сфері ШІ. AI Understanding — це некомерційна організація 501(c)(3) — без реклами, без платних стін, назавжди. Зробіть пожертву
Часті запитання
Що таке залишкові мережі?
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.
Яку проблему конкретно вирішували залишкові з’єднання?
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.
Чому пропуск з’єднань допомагає градієнтам під час навчання?
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.
Якщо шари залишкового блоку вивчають F(x) = 0, що робить блок?
Коли F(x) = 0, на виході буде просто x, тому блок стає відображенням ідентичності. Це робить додаткові шари нешкідливими, якщо вони не потрібні.
Продовжуйте вчитися
Пов'язані посібники
Інші посібники, вибрані для цієї теми