有效深度悖论：卷积神经网络（CNN）架构拓扑与可训练性关系的评估

Manfred M. Fischer; Joshua Pitts

有效深度悖论：卷积神经网络（CNN）架构拓扑与可训练性关系的评估

计算机视觉与模式识别 2026-05-11 v3 人工智能

作者: Manfred M. Fischer , Joshua Pitts

摘要

本文通过对 VGG、ResNet 和 GoogLeNet 架构家族的比较研究，探讨了卷积神经网络（CNN）拓扑与图像识别性能之间的关系。通过统一的实验框架，本研究孤立地分离深度与其他实现变量的影响。引入了正式的区分：名义深度（ $D_{\mathrm{nom}}$ ），代表物理层数，以及有效深度（ $D_{\mathrm{eff}}$ ），是衡量预期顺序转换次数的运营指标。经验结果表明，采用身份快捷方式或分支模块的架构通过将 $D_{\mathrm{eff}}$ 与 $D_{\mathrm{nom}}$ 解耦，保持了优化稳定性。这些发现表明，有效深度作为预测规模潜力和实际可训练性的框架更为优越，最终指出，架构拓扑——而非单纯的层数——是深度学习模型梯度健康的主要决定因素。

关键词

卷积神经网络架构拓扑有效深度 VGG ResNet

引用

@article{arxiv.2602.13298,
  title  = {The Effective Depth Paradox: Evaluating the Relationship between Architectural Topology and Trainability in Deep CNNs},
  author = {Manfred M. Fischer and Joshua Pitts},
  journal= {arXiv preprint arXiv:2602.13298},
  year   = {2026}
}

有效深度悖论：卷积神经网络（CNN）架构拓扑与可训练性关系的评估

摘要

关键词

引用

相关论文