ResNet代表残差神经网络，是一种卷积神经网络(CNN)。它旨在解决深度网络中梯度消失的问题，这是开发深度神经网络的主要障碍。ResNet架构使网络能够学习多层特征，而不会陷入局部最小值。
为什么要使用ResNet？
随着层数的增加，深度神经网络提供更高的准确性。但是，当深入网络时，网络的准确性反而会降低。网络深度的增加会增加训练误差，最终会增加测试误差。因此，网络无法很好地泛化新数据，从而变得低效。这种退化表明模型层的增加无助于模型的性能。
我们就可以利用残差网络解决这种退化问题。
残差网络在层之间添加了恒等映射。将恒等映射应用于输入将使输出与输入相同。跳过连接直接将输入传递到输出，有效地让网络学习函数。
具体为：
ResNet通过向网络添加残差连接来工作，这有助于维持整个网络的信息流并防止梯度消失。残差连接是一种捷径，可以让信息绕过网络中的一层或多层，直接到达输出端。残差连接允许网络学习残差函数并对参数进行小幅更新，从而使网络收敛得更快，获得更好的性能。
残差连接基于这样一种思想，即尝试学习输入和输出之间的复杂映射，不如更容易地学习将输入映射到所需输出的残差函数。
ResNet的特点
以下是ResNet（残差网络）架构的主要特征：
残差连接：ResNet包含残差连接，可以训练非常深的神经网络并缓解梯度消失问题。
恒等映射：ResNet使用恒等映射作为残差函数，通过学习残差映射而不是实际映射，使训练过程更容易。
深度：ResNet可以创建非常深的神经网络，可以提高图像识别任务的性能。
更少的参数：ResNet使用更少的参数获得更好的结果，使计算效率更高。
更先进的成果：ResNet在各种图像识别任务上取得了更先进的结果，ResNet已经成为图像识别任务广泛使用的基准。
通用且有效的方法：残差连接是启用更深层网络的通用且有效的方法。
