深度残差网络（deep residual network, ResNet）是一种非常经典的深度学习方法，到目前为止，在谷歌学术上的引用量已经达到了37077次。

深度残差收缩网络（deep residual shrinkage network）是 ResNet 的一种改进，实际上是 ResNet、注意力机制和软阈值化的深度集成，在深度神经网络的内部消除不重要的（或者与噪声相关的）特征，加强深度神经网络从强噪信号中提取有用特征的能力。

首先，在很多机器学习的任务中，样本中经常会包含一些噪声，比如高斯噪声、pink 噪声、Laplacian 噪声等。更广义地讲，很多样本经常包含着与当前机器学习任务不相关的信息。

举例来说，在许多情况下，要进行分类的图片，除了含有与标签所对应的目标物体，还包含着一些与标签无关的物体。这些与标签无关的物体，就可以理解为一种噪声。这些无关物体所对应的特征，就是需要被删除的，从而避免对当前的任务造成影响。或者说，在马路边聊天的时候，聊天的声音里就可能会混杂车辆的鸣笛声、车轮声等等。当对这些含噪的声音信号进行语音识别的时候，识别效果不可避免地会受到鸣笛声、车轮声的影响。这些鸣笛声、车轮声所对应的特征，就应该在深度神经网络内部被删除掉，以避免对语音识别的效果造成影响。

然后，在同一个样本集中，每个样本所含的噪声量通常是不一样的。

例如，在训练猫狗分类器的时候，对于标签为“狗”的 5 张训练图像，第 1 张图像可能同时包含着狗和老鼠，第 2 张图像可能同时包含着狗和鹅，第 3 张图像可能同时包含着狗和鸡，第 4 张图像可能同时包含着狗和驴，第 5 张图像可能同时包含着狗和鸭子。我们在训练猫狗分类器的时候，就不可避免地会受到老鼠、鹅、鸡、驴和鸭子等无关物体的干扰，造成分类准确率下降。如果我们能够注意到这些无关的老鼠、鹅、鸡、驴和鸭子，将它们所对应的特征删除掉，就有可能提高猫狗分类器的准确率。

2. 软阈值化

软阈值化，从数学上来讲，就是将绝对值小于某个阈值的特征置为零，将绝对值大于这个阈值的特征朝着零的方向进行收缩。它具体的公式为

软阈值化的导数为

从以上公式可知，软阈值化的导数要么是 1，要么是 0。这个性质是和 ReLU 激活函数是相同的。因此，软阈值化也能够减小深度学习算法遭遇梯度弥散和梯度爆炸的风险。

同时，在软阈值化函数中，阈值的设置必须符合两个的条件：

第一，阈值是正数；

第二，阈值不能大于输入信号的最大值，否则输出会全部为零。

同时，阈值最好还能符合第三个条件：

第三，每个样本有着自己独特的阈值。

这是因为，很多样本的含噪程度经常是不同的。例如，样本 A 含噪较少，样本 B 含噪较多。那么，如果是在降噪算法里面，样本 A 就应该采用大一点的阈值，样本 B 就应该采用小一点的阈值。在深度神经网络中，虽然这些特征和阈值没有明确的物理意义、，但是道理还是相通的，也就是说每个样本应该有自己独特的阈值。

3. 注意力机制

注意力机制在图像处理领域是很容易理解的。 比如说，我们人可以快速扫描视觉全局区域，发现感兴趣的目标物体，进而把大部分的注意力集中在感兴趣的物体上，以提取更多的细节，同时抑制无关物体的信息。

Squeeze-and-Excitation Network（SENet）是一种较新的具有注意力机制的深度学习方法。 在很多的样本中，不同的特征通道，在分类或者其他任务中的贡献程度，往往是不同的。SENet 采用一个小型的子网络，获得一组权重，进而将这组权重与各个通道的特征分别相乘，以调整各个通道特征的大小。这个过程，就可以认为是在施加不同大小的注意力在各个特征通道上。

在这里，每一个样本，都有着自己独立的一组权重。任意的两个样本，它们的权重，都不一样。在 SENet 中，获得权重的具体路径是，“全局池化 →全连接层 → ReLU 函数 →全连接层 → Sigmoid 函数”。

深度残差收缩网络就借鉴了这个子网络，来自动设置软阈值化的阈值。

通过红色框内的子网络，可以获得一组阈值。这组阈值可以被应用在各个特征通道上。

在这个子网络中，首先对输入特征图的所有特征，求它们的绝对值。然后经过全局均值池化和平均，获得一个特征，记为 A。在另一条路径中，全局均值池化之后的特征图，被输入到一个小型的全连接网络。这个全连接网络以 Sigmoid 函数作为最后一层，将输出归一化到 0 和 1 之间，获得一个系数，记为α。最终的阈值可以表示为α × A。因此，阈值就是，一个 0 和 1 之间的数字 ×特征图的绝对值的平均。通过这种方式，保证了阈值为正，而且不会太大。

值得指出的是，在这种网络结构下，不同的样本就会有不同的阈值。在某种程度上，这也理解成一种特殊形式的注意力机制：注意到不重要的特征，将它们转化为接近于零的值，进而置为零；或者说，注意到重要的特征，将它们转化为远离零的值，并且将它们保留下来。

4. 通用性

深度残差收缩网络事实上是一种通用的数据分类方法。 也就是说，深度残差收缩网络不仅可以用于基于振动信号的机械故障诊断，而且可以用于很多其他的分类任务，比如图像和语音。在图像分类时，如果图片中还存在着很多其他的物体，那么这些物体就可以被理解成“噪声”；深度残差收缩网络或许能够借助注意力机制注意到这些“噪声”，然后借助软阈值化将这些“噪声”所对应的特征置为零，从而提高图像分类的准确率。在语音识别时，如果是在环境比较嘈杂的环境里，比如在马路边聊天的时候，深度残差收缩网络也许可以提高语音识别的效果，或者给出了一种提高语音识别效果的思路。

5. 原文网址

M. Zhao, S. Zhong, X. Fu, et al., Deep residual shrinkage networks for fault diagnosis, IEEE Transactions on Industrial Informatics, DOI: 10.1109/TII.2019.2943898
https://ieeexplore.ieee.org/document/8850096/