#8:f:8:e:e:3:3:8:c:2:3:b:4:b:e:e:1:c:1:3:1:8:3:5:5:e:5:5:2:d:6:a#
在神经网路中，残差的共享是一种优化技术，一般用于减小模型参数数目以及提高模型的泛化能力。它在前馈神经网路(CNN)中得到广泛应用，非常是在处理图象和其他类似结构的数据时。
残差共享的概念涉及到在网路的不同部份使用相同的参数(残差)。这意味着在一个神经网路的多个位置或层次使用相同的残差，而不是为每位位置或层次独立地学习不同的残差。这些共享残差的方法可以有效地捕获输入数据的局部特点，进而降低须要学习的参数数目。
最典型的事例是频域操作中的残差共享。在频域神经网路中，频域层使用一组混频器(频域核)，这种混频器的残差在整个输入图象上进行共享。每位混频器在输入图象上滑动，执行频域操作，因而在不同位置上提取相像的特点，这样可以大大降低须要训练的参数数目。
#3:6:c:6:1:e:b:c:8:b:f:3:4:4:a:8:7:6:e:1:b:0:3:9:c:e:1:d:6:2:7:4#
残差共享的益处包括：
1.参数数目降低
共享残差可以明显降低神经网路中的参数数目，进而增加了模型的复杂性，降低了估算和储存需求。
2.泛化能力提高
残差共享促使模型就能更好地泛化到新的、未见过的数据，由于它才能提取通用的局部特点，而不是过于拟合训练数据中的细节。
3.参数共享
因为残差共享，神经网路中的不同部份可以共同学习相同的特点，这有助于网路更快地收敛，并降低训练过程中的过拟合风险。
但是，残差共享也有一些限制：
1.限制特点表示能力
残差共享可能限制了模型对复杂特点的表示能力，由于它只能学习共享残差所容许的特点模式。
2.局部性
残差共享适用于输入数据中存在局部模式的情况，但不一定适用于涉及全局信息的任务。
其实，残差共享是一种有效的参数优化技术，非常适用于处理图象、音频等具有局部特点的数据。它可以帮助减轻模型的复杂性，提升泛化能力，并加速训练过程。
