ResNet的网络结构图

Residual Network (ResNet)是一种深度卷积神经网络（CNN），由Kaiming He等人于2015年提出，它解决了深度学习过程中深层网络训练过程中的梯度消失或爆炸问题。ResNet的核心设计是引入了残差块（Residual Block），每个残差块包含两个或更多的卷积层，通过跳跃连接（skip connection）将输入直接连接到输出，使得模型能够更有效地学习和传播特征。

基本的Residual Block分为三部分：
1. **身份映射**（Identity Mapping）：直接将输入数据添加到经过几个卷积层后的输出上。
2. **卷积层**：通常包括一个或多个标准卷积层，用于提取特征。
3. **非线性激活**：如ReLU函数，增加模型表达能力。

ResNet有几种变体，如ResNet-18、ResNet-34、ResNet-50等，它们分别有不同的深度。其中，ResNet-18适合小数据集，ResNet-50及以上更适合大型数据集和高性能计算环境。