ResNet
论文给出了Resnet有3中类型，ResNet50[res3 res4 res6 res3]，ResNet101[res3 res4 res23 res3]和ResNet152[res3 res4 res36 res3]层卷积。 ResNet50[res3 res4 res6 res3]中第一个3表示res2a+res2b+res2c, 而res2a又包含三层卷积，res2a = res2a_brach2a+res2a_brach2b+res2a_brach2c.。
网络结构如图：
就ResNet50进行简单介绍。注意标记：每个conv后面都会有batch_norm+scale+relu(只有卷积层branch1没有relu)，所以下面写conv的时候，默认为conv(batch_norm+scale+relu)
Conv1(1/2)->pooling1(1/4) -> res2(1/4) -> res3(1/8) -> res4(1/16)> res5(1/32)-> ave pooling->fc(1000维分类)
下面给出pooling1->res2->res3的连接情况：
注意：层间才会有branch1,层内部没有(如pooling与res2，res2与res3之间有branch，作用是为了将H(x)=F(x)+x中的x的大小和F(x)大小保证一样，而res2a与res2b，res2b与res2c之间层内没有)
1：普通的深层次的网络存在的问题是当网络深度加深时，网络的准确度开始饱和，然后极速下降。并且这种下降不是由于过拟合造成的，且当深度再次下降时，将会得到更大的trainning error。(如普通的34层网络比18层具有更高的training errors，而34层的残差较普通网络具有更低的training errors(3.51个百分点)，18层的差不多(0.06个百分点),但收敛速度也要快很多)。这种现象也不是由于梯度爆炸造成的，因为当在34层网络中加入了batch_norm时，现象依然如此。再者，尝试用更多的迭代次数也无法解决。这个现象产生的原因有待进一步研究。。而论文最后给出残差网络貌似越深效果都会佳
普通的网络都是identity mapping,直接连接前面的浅层网络。这里的残差网络是residual mapping。
2：H(x) = F(x)+x，其中F(x)一般为两层或者三层，设置更多，如果仅仅是一层，则变成了H(x) = Wx+x,F就相当于是一个简单的线性层，这样就没有任何优势了。
3：网络结构：分为ABC三种，A只保留维度相同的shorts connections,B保留维度不同的short connections, C是两种都保留(效果最佳)，如res3a, 为res3a_branch2a+res3a_branch2b+res3a_branch2c, 其中res3a_branch2a的kernel是1*1，stride=2，res3a_branch2b的kernel是3*3(因为前一层stride=2,降低了featuremap的大小，也就降低了参数和计算量)， res3a_branch2c的kernel是1*1, 如下图fig5，这两种网络结构具有相同的参数和计算复杂度，而右图效果更好，非线性表达能力更强。(左图是vgg的设计思想，右图是resnet的设计思想)
ResNet50是有ResNet34将每个模块上图左替换为上图右得到的
