ResNet 简介
ResNet（Residual Network，残差网络）由 Kaiming He 等人于 2015 年在论文《Deep Residual Learning for Image Recognition》中提出，荣获 2015 年 ImageNet 竞赛冠军。ResNet 的革命性贡献是提出了残差学习框架，彻底改变了深度神经网络的设计范式。
核心创新：残差连接
在传统网络中，每一层学习的是完整的映射 H(x)。ResNet 改为学习残差映射 F(x) = H(x) - x，通过快捷连接（shortcut connection）将输入 x 直接加到层输出上：输出 = F(x) + x。这种设计让梯度可以直接通过 shortcut 反向传播到早期层，有效缓解了梯度消失问题。
模型架构
ResNet 提供多种深度：ResNet-18、ResNet-34、ResNet-50、ResNet-101、ResNet-152。50 层以上的版本使用"瓶颈块"（Bottleneck Block）降低计算量。
影响与应用
ResNet 是计算机视觉领域引用量最高的论文之一，被广泛应用于图像分类、目标检测（作为骨干网络）、语义分割、人脸识别、医学影像分析等几乎所有视觉任务。