resnet是哪一年

ResNet，全称为残差网络（Residual Network），是由微软亚洲研究院的研究员Kaiming He、Georgia Gkioxari、Shaoqing Ren和朱文正于2015年提出的。他们在2016年的ImageNet大规模视觉识别挑战赛（ILSVRC）上首次展示了这种结构，这个模型显著提高了深度神经网络在图像分类任务中的性能，并开启了深度学习领域的革命。

相关问题

ResNet用哪篇参考文献

ResNet，全称为残差网络（Residual Network），是由Kaiming He等人在2015年的论文《Deep Residual Learning for Image Recognition》中提出的。这篇开创性的论文对ImageNet图像识别大赛产生了重大影响，并且极大地推动了深度学习在计算机视觉领域的进展。

参考文献：
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 770-778).

ResNet是什么模型

ResNet（Residual Network）是一种深度残差网络模型，它在计机视觉领域具有重要的影响[^1]。在ResNet提出之前，神经网络通常是通过卷积层和池化层的叠加来构建的。然而，随着网络层数的增加，出现了梯度消失和梯度爆炸的问题，导致网络难以训练。为了解决这个问题，ResNet引入了残差连接（residual connection）的概念。

残差连接是指将输入直接添加到输出中，使得网络可以学习到残差（residual）的表示。这种设计使得网络可以更容易地学习到恒等映射，从而解决了梯度消失和梯度爆炸的问题。ResNet的基本模块是残差块（residual block），其中包含了多个卷积层和残差连接。ResNet根据网络的深度不同，使用了不同的残差块结构，如BasicBlock和Bottleneck。

总结来说，ResNet是一种通过引入残差连接来解决梯度消失和梯度爆炸问题的深度残差网络模型，它在计算机视觉领域具有重要的影响。