resnet残差块结构

ResNet（_residual network）是一种深度卷积神经网络架构，由Kaiming He等人于2015年提出，其核心设计是引入了残差模块（residual block）。残差块的主要目的是解决深度神经网络训练过程中的梯度消失和过拟合问题。它的工作原理可以总结如下：

1. **基础结构**：每个残差块包含两个3x3卷积层，中间通常会有一个1x1卷积层用于减小通道数（如果需要），这有助于减少计算量并保留更多特征信息。

2. **跳跃连接（skip connection）**：这种设计允许输入数据直接跳过一些层，并与经过卷积处理后的数据相加。这使得网络能够学习到如何通过残差去影响最终输出，而不是仅仅逐层堆积特征映射。

3. **添加与恒等映射**：通过将输入直接与经过残差运算后的结果相加，实际上就是让网络学习一个恒等映射加上一个小的非恒等映射，这使得训练变得更加容易。

4. **堆叠残差块**：ResNet通过串联多个这样的残差块构成更深的网络，同时保持有效的梯度传递，从而达到增加模型复杂度的效果。