[论文翻译]深度残差学习在图像识别中的应用

更深的神经网络更难训练。我们提出了一种残差学习框架，以简化比先前网络更深层的训练。我们明确将各层重构为基于层输入学习残差函数，而非学习无参考的函数。通过全面的实证证据表明，这些残差网络更易于优化，并能从大幅增加的深度中获得精度提升。在ImageNet数据集上，我们评估了深度达152层的残差网络——比VGG网络[41]深\$8\times\$，但复杂度更低。这些残差网络的集成模型在ImageNet测试集上实现了\$3.57\%\$的错误率，该成果获得了ILSVRC 2015分类任务第一名。我们还针对CIFAR-10数据集进行了100层和1000层的深度分析。