ResNet（Residual Network，残差网络）介绍

ResNet（Residual Network，残差网络）是由何恺明团队于2015年提出的深度卷积神经网络架构，其核心创新在于残差学习机制，解决了深度神经网络训练中的梯度消失和网络退化问题，使网络层数可扩展至上千层。以下是其核心原理、结构及影响的系统解析：

---

​一、核心问题与创新背景​

1. ​深度网络的瓶颈​

   • ​梯度消失/爆炸​：传统深层网络（如VGG-19）因反向传播的链式求导导致浅层梯度指数级衰减或激增，难以训练。
   • ​退化现象​：实验表明，深层网络的训练误差反而高于浅层网络（如56层比20层误差更高），并非过拟合，而是优化困难所致。

2. ​残差学习的提出​
   ResNet通过跳跃连接（Skip Connection）​​ 构建残差块（Residual Block），将输入信号直接传递至输出端，使网络只需学习输入与输出的残差映射​（即 F(x)=H(x)−x），而非完整的非线