分形网络（FractalNet）----学习笔记

1. 这个网络的提出是为了证明residual对于极深的网络并不是必须的。
2. 通过一种分形的结构，达到了teacher-student机制，深度监督的效果。
3. Fractal ：分形，从多个层次、多个角度、多个组成成分来共同解决一个问题
4. 通过多个不同深度的网络的组合提高模型的效果：浅层提供更迅速的回答，深层提供更准确的回答
5. 网络架构中每一个Fractal的模块，是由多个浅层和深层的联合而成，层的深度呈2的指数型增长。不同深度的输出进行联合时采用求均值的方式。因为每个联合层的输入的个数可能不同，求均值可以起到一个类似于归一化的效果。
6. 架构更重要的训练学习机制：drop path
   1. dropout：一般用于使神经元随机失活来减少模型的过拟合
   2. droppath：让路径随机失活，即在多个不同深度的层进行联合时，模型会以一个比例随机地让某些路径的输入关闭，但最少保证有一个输入。
   3. 优点：
      1. 减少过拟合
      2. 强化每条路径的输出
      3. 不同路径的联合。在droppath机制下，与teacher-student类似的效果：如果某条路径学到了对最终分类非常重要的特征，如果在某一次迭代中该路径被关闭了，则通过loss进行反向传播时，可能就会指导和该路径进行联合的另一条路径也学习到这种特征。如此不断训练不仅可提高整个模型的效果，而且单独提取出任意一条路径使用也可达到非常好的效果。并且该网络架构不同因为深度加深而出现退化问题，即从整个模型中提取出最深的路径使用可以到达整个fractalnet接近的效果。
   4. 有两种droppath方式：
      1. local：在每一个联合层以固定几率舍弃每个输入，但保证至少保留一个输入
      2. global：在整个网络中随机只保留一条完整的路径进行学习

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！