版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_30362711/article/details/82885705
1，大体流程：
（1）大家发现有可能深层次的网络更优，但是深层网络难以训练，故无法实现
（2）有人提出提前用无监督学习方式预训练，再用有监督训练。如RGB、auto-encoder等实现并验证此想法。
（3）le-net提出用relu做activation可以直接就训练，不需要再预训练，获得成功
（4）google-net和VGG提出了le-net的扩展板，主要是进一步加深了网络的深度，获得成功
（5）residual-net进一步用residual结构来构造神经网络，并且他发现之前的VGG或google-net这种plain-net层数再往上加反而没有之前效果好，而这个效果不是与之前说的网络越深越好矛盾吗？因此由于某种原因导致更深的网络不好，他用residual结构解决了此问题。
2，存在疑问
（1）为什么除了relu以外用其他核来训练网络无法得到目标网络？
答：论文中说是由于梯度消失。但是各种解释都说的是probibally，所以没什么意义。反正除了relu其他activation就是不合适，我觉得主要原因还是稀疏性，relu可以构成稀疏且dense向量，而其他则仅仅是dense向量。
纠结这个问题暂时没啥意义，这个问题需要理论上的突破才能完全从本质上解释。
（2）为什么residual可以更好的训练更深层次网络？