残差网络主要是做什么任务的

残差网络（Residual Networks, ResNet）主要用于深度学习中的计算机视觉任务，特别是图像分类、物体检测和图像分割等。它的主要目的是解决深度神经网络训练过程中遇到的“梯度消失”或“梯度爆炸”问题，即随着网络层数增加，反向传播过程中梯度会变得非常小或者不稳定，导致深层网络很难有效地学习到特征。

ResNet的核心思想是引入了跨层连接（residual connections），即在网络的不同层之间添加跳跃连接，使得信息可以直接从输入层传递到更深的层，绕过一些中间层。这样即使在网络深度增加时，也可以让每个层学习如何将输入直接映射到期望的输出变化，而不仅仅是学习复杂的非线性变换。这种设计极大地促进了深层网络的学习能力，并使ResNet在ImageNet大规模图像识别挑战赛中取得了突破性的成果，显著提高了模型性能。因此，ResNet成为了现代深度学习架构中的重要组成部分。