Originalarbeiterreichbar
Deep Residual Learning for Image Recognition
He, Zhang, Ren und Sun reichen am 10.12.2015 die Arbeit ein, die Tiefe als eigenes Problem behandelt. Sie beginnt mit dem Befund, dass tiefere Netze schwerer zu trainieren sind, und stellt einen Umbau vor, bei dem jede Schicht die Abweichung von ihrer Eingabe lernt statt einer eigenständigen Funktion. Damit wurden Netze mit 152 Schichten rechenbar, achtmal so tief wie die vorher übliche Bauform. Der Beleg dafür, dass das Wort tief in Deep Learning eine Zahl hat, die sich über die Jahre verschoben hat.
geprüft 24.09.2026
Worauf sich diese Seite beruft, wörtlich, abgerufen am 04.09.2026:
Deeper neural networks are more difficult to train.
bestätigt 24.09.2026We explicitly reformulate the layers as learning residual functions with reference to the layer inputs, instead of learning unreferenced functions.
bestätigt 24.09.2026On the ImageNet dataset we evaluate residual nets with a depth of up to 152 layers
bestätigt 24.09.2026The depth of representations is of central importance for many visual recognition tasks.
bestätigt 24.09.2026