005、DRCN递归神经网络：共享参数与监督式重建的收敛性分析
005、DRCN递归神经网络：共享参数与监督式重建的收敛性分析
去年调一个视频超分项目，发现模型训练到第80个epoch时PSNR突然跳水，从32.1dB掉到28.6dB。排查了三天，最后定位到是递归深度设置不当导致的梯度爆炸——这个坑让我重新翻出DRCN的论文，发现Kim在2016年就讨论过类似问题。今天把这段经历和DRCN的核心机制揉在一起聊。
从“递归”这个词开始踩坑
很多人看到DRCN（Deeply-Recursive Convolutional Network）就以为是RNN那种时序递归，其实不是。DRCN的递归发生在空间维度——同一个卷积模块反复作用在特征图上，相当于把单帧图像“循环处理”若干次。我第一次实现时天真地写了这样的代码：
# 别这样写！我当时就是这么干的foriinrange(recursion_depth):x=conv_block(x)结果训练时显存直接炸了。为什么？因为PyTorch默认会保留每个递归步骤的计算图用于反向传播，递归深度设为10，显存占用就是10倍。正确的做法是用checkpoint或者手动控制梯度流——后面会细说。
DRCN的核心设计有三个：共享参数的递归模块、跳跃连接（skip connection）、以及多监督损失。这三个东西组合起来，解决了“深度递归网络为什么能收敛”这个根本问题。
共享参数：省参数但不省计算
DRCN的递归模块参数是共享的。假设递归深度为D，普通卷积堆叠需要D套独立参数，DRCN只需要1套。这带来两个直接好处：
- 参数量骤减。同样感受野下，DRCN的参数量大约是VDSR的1/D。我实测D=10时，模型大小只有VDSR的1/3左右。
- 隐式正则化。共享参数迫使网络学习“通用的特征变换”，而不是为每一层定制不同的滤波器。这有点像权重共享在RNN中的作用——防止过拟合。
但共享参数有个致命问题：梯度消失/爆炸。因为同一个卷积模块被反复调用，反向传播时梯度要经过D次相同的变换。如果这个变换的谱半径大于1，梯度指数增长；小于1，梯度指数衰减。Kim在论文里用残差连接和跳跃连接缓解了这个问题，但实际调参时我发现，递归深度超过16后，训练几乎必然不稳定。
监督式重建：每个递归步都算损失
DRCN最巧妙的设计是“多监督”——不仅对最终输出计算损失，还对每个递归步的中间输出计算损失。具体来说，假设递归深度为D，网络会产生D个重建结果（每个递归步一个），再加上最终的融合结果，总共D+1个损失项。
我当时调试时犯过一个错误：只对最终结果算损失，中间结果不管。结果训练到一半，发现前几个递归步的输出全是噪声，只有最后几步才像样。加上中间监督后，每个递归步的输出都逐渐逼近目标，训练曲线平滑了很多。
多监督的数学形式是：
L_total = L_final + λ * Σ L_intermediateλ通常设为0.1-0.5。我习惯用0.2，因为中间监督太强会抑制递归模块的“深度表达能力”——它会让每个步都急于输出好结果，反而失去了逐步优化的能力。
收敛性分析：为什么DRCN能收敛？
这个问题我花了整整一周才想明白。从优化角度看，DRCN的训练相当于在解一个带约束的优化问题：
min θ Σ ||f_θ^d(x) - y||²其中f_θd表示递归d次后的输出。由于参数共享，这个优化问题是非凸的，而且高度耦合。但多监督机制实际上把问题分解成了D个独立的子问题——每个子问题只要求f_θd逼近y，而不是要求整个递归链逼近y。
这带来了两个收敛性保证：
- 梯度路径缩短。反向传播时，每个中间损失的梯度只经过d次递归变换，而不是D次。这避免了梯度穿过整个递归链导致的爆炸/消失。
- 隐式课程学习。浅层递归（d较小）的任务更容易，深层递归（d较大）的任务更难。多监督相当于让网络先学会简单任务，再逐步过渡到困难任务。我观察训练过程时发现，前几个epoch浅层损失下降很快，深层损失下降慢，但10个epoch后深层损失开始追赶——这就是课程学习的典型表现。
实战中的三个坑
坑一：递归深度选择
D=5时模型太浅，效果不如VDSR；D=10时效果最好，PSNR比VDSR高0.3dB左右；D=16时训练开始不稳定，偶尔出现loss爆炸。我的建议是D=8-12之间，具体看数据集。Set5上D=10最优，Urban100上D=12更好。
坑二：梯度裁剪
共享参数导致梯度尺度变化剧烈。我试过不裁剪，训练到一半loss直接变成NaN。裁剪阈值设为0.1-0.5之间，我习惯用0.2。注意裁剪的是整个梯度向量，不是单个参数。
坑三：初始化
DRCN对初始化敏感。用Xavier初始化时，前几个epoch的loss下降很慢；换成He初始化后，收敛速度提升了一倍。原因可能是ReLU激活函数导致方差变化，He初始化正好补偿了这一点。
代码实现的关键点
递归模块的实现要注意梯度流控制。我现在的写法是：
# 正确做法：用checkpoint节省显存fromtorch.utils.checkpointimportcheckpointdefforward(self,x):outputs=[]foriinrange(self.depth):# 这里用checkpoint，反向传播时不保留中间计算图x=checkpoint(self.conv_block,x)outputs.append(x)# 融合所有中间输出returnself.fusion(torch.cat(outputs,dim=1))注意checkpoint会增加前向计算时间（约20%），但显存占用从O(D)降到O(1)。如果显存够用，也可以不用，但递归深度超过8时建议加上。
融合层我用1x1卷积，把D个通道压缩回3通道（RGB）。Kim论文里用的是加权平均，权重可学习。我试过两种，1x1卷积效果略好，但参数量多了一点点。
个人经验
DRCN的价值不在于它比EDSR或RCAN强——事实上在PSNR指标上它已经被超越了。但它的设计思想对理解“深度与递归的关系”非常有帮助。如果你在做视频超分或者需要处理长程依赖的任务，DRCN的共享参数机制值得借鉴。
最后说一句：不要盲目追求递归深度。我见过有人把DRCN的深度设到32，结果训练了三天loss纹丝不动。有时候浅一点反而更好——模型够用就行，别为了炫技把项目搞崩了。