深度学习进阶文档深度页
残差连接与现代 CNN
残差连接提供信息与梯度捷径，使深层网络更容易优化。
学习目标
- 解释核心机制
- 手算一个主要形状或公式
- 运行完整示例并排查错误
为什么需要这个概念
残差连接与现代 CNN是该文档中连接数据表示、训练目标和工程实现的核心主题。
- 掌握残差连接与现代 CNN的输入输出与训练边界
- 能够用 PyTorch 代码验证公式和形状
学习前需要掌握
PyTorch Tensor内容待补充神经网络训练循环
背景与问题
残差连接与现代 CNN是该文档中连接数据表示、训练目标和工程实现的核心主题。
概念定义
残差连接提供信息与梯度捷径，使深层网络更容易优化。
直观理解
把残差连接与现代 CNN理解为数据在模型中的一套明确变换，而不是只记一个类名。
核心原理
形状变化时用 1×1 stride 投影匹配主分支。
实现时必须同时检查 shape、dtype、mask 或模式切换，并用验证集而不是测试集选择配置。
数学表达
核心公式
残差连接与现代 CNN的核心数学表达。
变量含义
Nbatch sizeD/H特征或隐藏维度
计算步骤
- 1按公式或模块逐步计算
- 2核对输出 shape
代码对应位置
示例 1残差连接与现代 CNN · PyTorch 示例：验证残差连接与现代 CNN的输入、计算和输出。
变量解释
| 变量 | 含义 |
|---|---|
N | batch size |
D/H | 特征或隐藏维度 |
完整数值示例
残差连接与现代 CNN数值/形状检查
已知条件
- N=8
- D=64
- 1
按公式或模块逐步计算
- 2
核对输出 shape
输出保持 batch 维并符合任务头约定
处理前后对比
计算与实现步骤
- 1
确认输入与目标
- 2
建立最小模块
- 3
随机张量前向
- 4
计算损失
- 5
反向与更新
- 6
验证与错误分析
代码实现
示例 1
残差连接与现代 CNN · PyTorch 示例
残差连接与现代 CNN · PyTorch 示例
PyTorch
example_01.py用途：验证残差连接与现代 CNN的输入、计算和输出。
block=nn.Sequential(nn.Conv2d(64,128,3,stride=2,padding=1),nn.BatchNorm2d(128))
shortcut=nn.Conv2d(64,128,1,stride=2)
x=torch.randn(8,64,32,32)
print(block(x).shape,shortcut(x).shape)代码解析
解析始终位于完整代码下方，并按实际代码段逐项对应。
输入数据与任务
验证残差连接与现代 CNN的输入、计算和输出。
Step 1 · 1–4 行
输出中间参数、形状或最终指标，用于核对代码是否符合预期。
block=nn.Sequential(nn.Conv2d(64,128,3,stride=2,padding=1),nn.BatchNorm2d(128))
shortcut=nn.Conv2d(64,128,1,stride=2)
x=torch.randn(8,64,32,32)
print(block(x).shape,shortcut(x).shape)预期输出或运行结果
打印与页面说明一致的张量形状或损失。
常见错误 · 4 条
- 两分支形状不同
- 把相加写拼接
- 层越深一定越准
- 确认样本轴、特征轴以及 X 与 y 的第一维完全对应。
实际应用
- 残差连接与现代 CNN
- 教学与项目基线
常见错误
两分支形状不同
把相加写拼接
层越深一定越准
文档来源
20_残差连接与现代CNN原始文档
学习资料/deeplearning/20_残差连接与现代CNN.md- §2 深度退化
- §3 残差公式
- §4 1×1
- §5–7 现代结构
常见问题
残差连接与现代 CNN最先检查什么？
先检查输入输出 shape、dtype 和数据边界。
何时使用测试集？
全部设计锁定后最终评估。
推荐学习资料
暂未收录相关资料
参考库不会生成虚假资源或无效外部链接。