摘要：大神何愷明受到了質(zhì)疑。今天，上一位用戶對何愷明的提出質(zhì)疑，他認(rèn)為何愷明年的原始?xì)埐罹W(wǎng)絡(luò)的結(jié)果沒有被復(fù)現(xiàn)，甚至何愷明本人也沒有。我認(rèn)為，的可復(fù)現(xiàn)性經(jīng)受住了時間的考驗。

大神何愷明受到了質(zhì)疑。

今天，Reddit 上一位用戶對何愷明的ResNet提出質(zhì)疑，他認(rèn)為：

何愷明 2015 年的原始?xì)埐罹W(wǎng)絡(luò)的結(jié)果沒有被復(fù)現(xiàn)，甚至何愷明本人也沒有。

網(wǎng)友稱，他沒有發(fā)現(xiàn)任何一篇論文復(fù)現(xiàn)了原始 ResNet 網(wǎng)絡(luò)的結(jié)果，或與原始?xì)埐罹W(wǎng)絡(luò)論文的結(jié)果進(jìn)行比較，并且所有的論文報告的數(shù)字都比原始論文的更差。

論文中報告的 top1 錯誤率的結(jié)果如下：

ResNet-50 @ 20.74

resnet - 101 @ 19.87

resnet - 152 @ 19.38

何愷明等人在2015年提出ResNet之后，ResNet很快成為計算機(jī)視覺最流行的架構(gòu)之一，這篇論文已經(jīng)被引用了超過20000次。

不過，網(wǎng)友稱，DenseNet (https://arxiv.org/abs/1608.06993, 3000 + 引用) 和 Wide ResNets (https://arxiv.org/abs/1605.07146， ~1000 引用) 都沒有使用這個結(jié)果。甚至在何愷明最近的一篇論文中，也沒有使用這個結(jié)果。

按理說，何愷明這篇論文應(yīng)該是這個領(lǐng)域被引用最多的論文之一，原始 ResNet 的結(jié)果真的沒有被復(fù)現(xiàn)出來嗎？在繼續(xù)討論之前，讓我們先來回顧一下ResNet的思想，以及它之所以強(qiáng)大的原因。

重新審視 ResNet：計算機(jī)視覺最流行的架構(gòu)之一

2015 年，ResNet 大大吸引了人們的眼球。實際上，早在 ILSVRC2012 分類競賽中，AlexNet 取得勝利，深度殘差網(wǎng)絡(luò)（deep Residual Network）就成為過去幾年中計算機(jī)視覺和深度學(xué)習(xí)領(lǐng)域最具突破性的工作。ResNet 使得訓(xùn)練深達(dá)數(shù)百甚至數(shù)千層的網(wǎng)絡(luò)成為可能，而且性能仍然優(yōu)異。

由于其表征能力強(qiáng)，ResNet 在圖像分類任務(wù)之外的許多計算機(jī)視覺應(yīng)用上也取得了巨大的性能提升，例如對象檢測和人臉識別。?

自 2015 年以來，許多研究對 ResNet 架構(gòu)進(jìn)行了調(diào)整和改進(jìn)。其中最著名的一些 ResNet 變體包括：

何愷明等人提出的 ResNeXt

康奈爾大學(xué)、清華大學(xué)和 Facebook 聯(lián)合提出的 DenseNet

谷歌 MobileNet

孫劍團(tuán)隊 ShuffleNet

顏水成團(tuán)隊的雙通道網(wǎng)絡(luò) DPN

最近南開大學(xué)、牛津大學(xué)等提出的 Res2Net

……

那么 ResNet 的核心思想是什么呢？

根據(jù)泛逼近定理（universal approximation theorem），如果給定足夠的容量，一個單層的前饋網(wǎng)絡(luò)就足以表示任何函數(shù)。但是，這個層可能是非常大的，而且網(wǎng)絡(luò)容易過擬合數(shù)據(jù)。因此，研究界有一個共同的趨勢，就是網(wǎng)絡(luò)架構(gòu)需要更深。

從 AlexNet 的提出以來，state-of-the art 的 CNN 架構(gòu)都是越來越深。雖然 AlexNet 只有 5 層卷積層，但后來的 VGG 網(wǎng)絡(luò)和 GoogLeNet 分別有 19 層和 22 層。

但是，如果只是簡單地將層堆疊在一起，增加網(wǎng)絡(luò)的深度并不會起太大作用。這是由于難搞的梯度消失（vanishing gradient）問題，深層的網(wǎng)絡(luò)很難訓(xùn)練。因為梯度反向傳播到前一層，重復(fù)相乘可能使梯度無窮小。結(jié)果就是，隨著網(wǎng)絡(luò)的層數(shù)更深，其性能趨于飽和，甚至開始迅速下降。

網(wǎng)絡(luò)深度增加導(dǎo)致性能下降

在 ResNet 之前，已經(jīng)出現(xiàn)好幾種處理梯度消失問題的方法，例如，2015 年 C. Szegedy 等人提出的 GoogLeNet 在中間層增加一個輔助損失（auxiliary loss）作為額外的監(jiān)督，但遺憾的是，沒有一個方法能夠真正解決這個問題。

ResNet 的核心思想是引入一個 “恒等捷徑連接”（identity shortcut connection），直接跳過一層或多層，如下圖所示：

一個殘差塊

何愷明等人于 2015 年發(fā)表的論文《用于圖像識別的深度殘差學(xué)習(xí)》（Deep Residual Learning for Image Recognition）中，認(rèn)為堆疊的層不應(yīng)該降低網(wǎng)絡(luò)的性能，因為我們可以簡單地在當(dāng)前網(wǎng)絡(luò)上堆疊identity映射（層不處理任何事情），并且所得到的架構(gòu)性能不變。這表明，較深的模型所產(chǎn)生的訓(xùn)練誤差不應(yīng)比較淺的模型的誤差更高。作者假設(shè)讓堆疊的層擬合一個殘差映射（residual mapping）要比讓它們直接擬合所需的底層映射更容易。上面的殘差塊（residual block）顯然仍讓它做到這點。

ResNet 的架構(gòu)

那么這次質(zhì)疑“不能復(fù)現(xiàn)”的結(jié)果是什么呢？討論點集中在原始論文中的表3和表4：

表3：ImageNet驗證集上10-crop測試的錯誤率

表4：ImageNet驗證集上sigle-model的錯誤率結(jié)果

由于其結(jié)果優(yōu)異，ResNet 迅速成為各種計算機(jī)視覺任務(wù)最流行的架構(gòu)之一。

新智元昨天發(fā)表的文章《對 ResNet 本質(zhì)的一些思考》，對 ResNet 做了較深入的探討。作者表示：

不得不贊嘆 Kaiming He 的天才，ResNet 這東西，描述起來固然簡單，但是對它的理解每深一層，就會愈發(fā)發(fā)現(xiàn)它的精妙及優(yōu)雅，從數(shù)學(xué)上解釋起來非常簡潔，非常令人信服，而且直切傳統(tǒng)痛點。

ResNet 本質(zhì)上就干了一件事：降低數(shù)據(jù)中信息的冗余度。

具體說來，就是對非冗余信息采用了線性激活（通過 skip connection 獲得無冗余的 identity 部分），然后對冗余信息采用了非線性激活（通過 ReLU 對 identity 之外的其余部分進(jìn)行信息提取 / 過濾，提取出的有用信息即是殘差）。

其中，提取 identity 這一步，就是 ResNet 思想的核心。

何愷明回應(yīng)ResNet結(jié)果不能復(fù)現(xiàn)

再回到文章開頭的討論：原始 ResNet 的結(jié)果真的無法復(fù)現(xiàn)嗎？

針對網(wǎng)友的質(zhì)疑，不少人在帖子下回復(fù)，可以總結(jié)為兩個方面：

ImageNet 有多種測試策略，后來的論文在復(fù)現(xiàn)ImageNet時采用的是當(dāng)時流行的策略，而非 ResNet 原始論文的策略；

后來的論文在訓(xùn)練時采用了一些與原始論文不同的優(yōu)化技巧，使得結(jié)果甚至比原始 ResNet 論文的結(jié)果更好

何愷明本人也第一時間作出回復(fù)：

ImageNet 上有幾種測試策略：(i) single-scale, single-crop 測試； (ii) single-scale, multi-crop 或 fully-convolutional 測試；(iii) multi-scale, multi-crop 或 fully-convolutional 測試；(iv) 多個模型集成。

在這些設(shè)置下，這篇論文的 ResNet-50 模型的 top-1 錯誤率為：(i) 24.7% (1-crop，如我的 GitHub repo 所展示)， (ii) 22.85% (10-crop，論文中的表 3)，(iii) 20.74% (full -conv, multi-scale, 論文中的 Table 4)。論文中使用的 (ii) 和 (iii) 的描述見第 3.4 節(jié)。

當(dāng)時是 2015 年，(ii) 和 (iii) 是最流行的評估設(shè)置。策略 (ii) 是 AlexNet 的默認(rèn)值 (10-crop)， (ii) 和 (iii) 是 OverFeat、VGG 和 GoogleNet 中常用的設(shè)置。Single-crop 測試在當(dāng)時并不常用。

2015/2016 年后，Single-crop 測試開始流行。這在一定程度上是因為社區(qū)已經(jīng)變成一個對網(wǎng)絡(luò)精度的差異很感興趣的環(huán)境 (因此 single-crop 足以提供這些差異)。

ResNet 是近年來被復(fù)現(xiàn)得最多的架構(gòu)之一。在我的 GitHub repo 中發(fā)布的 ResNet-50 模型是第一次訓(xùn)練的 ResNet-50，盡管如此，它仍然十分強(qiáng)大，并且在今天的許多計算機(jī)視覺任務(wù)中仍然是預(yù)訓(xùn)練的骨干。我認(rèn)為，ResNet 的可復(fù)現(xiàn)性經(jīng)受住了時間的考驗。

Reddit用戶ajmooch指出：

你忘記了測試時數(shù)據(jù)增強(qiáng) (test-time augmentation, TTA)。表 4 中的數(shù)字來自于不同 scales 的 multi-crop 的平均預(yù)測 (以計算時間為代價優(yōu)化精度)，而其他論文中的數(shù)字是 single-crop 的。

表 3 列出了 10-crop 測試的數(shù)據(jù)。表 4 的數(shù)字更好，所以它肯定不是 single crop 的數(shù)字。我的猜測是 n-crop，可能還包括其他增強(qiáng)，比如翻轉(zhuǎn)圖像。

這個帖子讀起來有點像指責(zé)，我不喜歡。ResNet 因為在 ImageNet 測試集上表現(xiàn)出色而著名，而 ImageNet 測試集隱藏在服務(wù)器上，他們沒有辦法在那里處理這些數(shù)字。ResNet 是我能想到的被復(fù)現(xiàn)最多的架構(gòu)之一。它顯然是合理的。在開始批評別人之前，我們應(yīng)該先了解我們在批評什么。

谷歌大腦工程師hardmaru也回復(fù)道：

在何愷明加入 FAIR 之前， FAIR Torch-7 團(tuán)隊獨立復(fù)現(xiàn)了 ResNet：https://github.com/facebook/fb.resnet.torch

經(jīng)過訓(xùn)練的 ResNet 18、34、50、101、152 和 200 模型，可供下載。我們包括了使用自定義數(shù)據(jù)集，對圖像進(jìn)行分類并獲得模型的 top5 預(yù)測，以及使用預(yù)訓(xùn)練的模型提取圖像特征的說明。

他們的結(jié)果如下表：

經(jīng)過訓(xùn)練的模型比原始 ResNet 模型獲得了更好的錯誤率。

但是，考慮到：

這個實現(xiàn)與 ResNet 論文在以下幾個方面有所不同:

規(guī)模擴(kuò)大 (Scale augmentation)：我們使用了 GooLeNet 中的的規(guī)模和長寬比，而不是 ResNet 論文中的 scale augmentation。我們發(fā)現(xiàn)這樣的驗證錯誤更好。

顏色增強(qiáng) (Color augmentation)：除了在 ResNet 論文中使用的 AlexNet 風(fēng)格的顏色增強(qiáng)外，我們還使用了 Andrew Howard 提出的的亮度失真 (photometric distortions)。

權(quán)重衰減 (Weight decay)：我們將權(quán)重衰減應(yīng)用于所有權(quán)重和偏差，而不僅僅是卷積層的權(quán)重。

Strided convolution：當(dāng)使用瓶頸架構(gòu)時，我們在 3x3 卷積中使用 stride 2，而不是在第一個 1x1 卷積。

何愷明的 GitHub 有 Caffe 模型訓(xùn)練的原始版本和更新版本的 resnet，而且報告的也不同：

(https://github.com/KaimingHe/deep-residual-networks/blob/master/README.md)

也許他的 GitHub 報告中的方法與論文不一致，但為了可重復(fù)性而不使用相同的方法也有點奇怪。

也許 arxiv 或 repo 應(yīng)該使用一致的數(shù)字進(jìn)行更新，或者更好的是，使用多次獨立運行的平均值。

但是隨著 SOTA 的改進(jìn)和該領(lǐng)域的發(fā)展，其他人花費資源來產(chǎn)生舊的結(jié)果的動機(jī)就更少了。人們寧愿使用他們的資源來復(fù)現(xiàn)當(dāng)前的 SOTA 或嘗試其他新想法。

許多人引用它是因為它的概念本身，而不是為了報告排行榜分?jǐn)?shù)。

商業(yè)智能與數(shù)據(jù)分析群

興趣范圍包括各種讓數(shù)據(jù)產(chǎn)生價值的辦法，實際應(yīng)用案例分享與討論，分析工具，ETL工具，數(shù)據(jù)倉庫，數(shù)據(jù)挖掘工具，報表系統(tǒng)等全方位知識

QQ群：81035754