详细介绍
ResNet（Residual Network）是由微软研究院的Kaiming He等人在2015年提出的一种深度卷积神经网络架构。ResNet的核心思想是通过引入“残差学习”（Residual Learning）来解决深度神经网络中的梯度消失和梯度爆炸问题。传统的深度神经网络在训练过程中，随着网络层数的增加，梯度在反向传播时会逐渐变小，导致训练困难。ResNet通过引入“跳跃连接”（Skip Connection）或“捷径连接”（Shortcut Connection），使得网络可以直接将输入信息传递到后面的层，从而缓解了梯度消失问题。
ResNet的一个重要创新是“残差块”（Residual Block），它由多个卷积层组成，并且在每个残差块的输入和输出之间添加了一个跳跃连接。这个跳跃连接允许网络学习残差映射（Residual Mapping），即输出与输入之间的差异，而不是直接学习输入到输出的映射。这种设计使得网络可以更容易地训练非常深的模型，例如ResNet-152，它包含了152层。
主要功能
- 解决梯度消失问题：通过跳跃连接，ResNet能够有效地训练非常深的神经网络，避免了梯度消失问题。
- 提高模型性能：ResNet在多个计算机视觉任务中取得了显著的性能提升，特别是在图像分类、目标检测和语义分割等领域。
- 模块化设计：ResNet的残差块设计使得网络结构更加模块化，便于扩展和修改。