【人工智能99问】残差链接是什么，是如何起作用的？(28/99)

残差连接

残差连接是什么

残差连接（Residual Connection），也称为跳跃连接（Skip Connection），是深度学习中一种重要的网络设计技巧，最早在ResNet（残差网络）中被提出。它的核心思想是在网络的某一层与后面的层之间建立直接的“短路”连接，允许输入数据（或特征）绕过中间的部分网络层，直接传递到后续层中。

残差连接的作用

主要解决深层神经网络训练中的“退化问题”（Degradation Problem）：
在传统的深层神经网络中（如VGG），当网络层数增加到一定程度后，模型的性能会出现明显下降——不仅测试误差上升，连训练误差也会上升（并非过拟合，过拟合是训练误差低但测试误差高）。这种退化现象的本质是：随着网络层数加深，梯度在反向传播过程中会逐渐消失或爆炸，导致早期网络层的参数难以被有效更新，模型无法学到有意义的特征。

残差连接为什么能缓解“退化问题”

残差连接通过以下机制缓解了退化问题：

1. 梯度直接传递，缓解梯度消失
   传统网络中，梯度从后层向前层传播时，需要经过多层参数的链式求导，容易导致梯度值变得极小（梯度消失）或极大（梯度爆炸）。
   残差连接通过“跳跃”结构，让梯度可以不经过中间层的复杂变换，直接从后层传递到前层。例如，假设某残差块的输出为 y = F(x) + x（其中 x 是输入，F(x) 是该块内的卷积等操作），反向传播时，损失对 x 的梯度为 ∂Loss/∂x = ∂Loss/∂y * (∂F/∂x + 1)。这里的“+1”来自于 y 对 x 的直接求导（∂(x)/∂x = 1），确保梯度不会因多层传递而过度衰减，使得浅层网络的参数能被有效更新。

2. 学习残差而非绝对映射，降低学习难度
   传统网络要求每一层学习输入到输出的“绝对映射”（如 H(x)），而残差连接让网络层只需学习“残差”（即 F(x) = H(x) - x），最终输出为 H(x) = F(x) + x。
   当网络需要学习恒等映射（即输入与输出一致时），残差 F(x) 只需学习为0即可，这比直接学习恒等映射 H(x) = x 更容易。这种设计确保了“深层网络至少不会比浅层网络差”——即使增加层数，模型也能通过学习0残差来保持原有性能，从而避免退化。

概括

残差连接通过改善梯度流动和降低学习难度，使得训练上千层的深层网络成为可能，为后续深度学习模型的深度化发展奠定了基础。