ResNet（残差网络）是由微软研究院提出的一种深度卷积神经网络架构，其核心创新在于**残差块（Residual Block）**的设计。通过引入跳跃连接（Shortcut Connection），ResNet有效解决了深度网络中的梯度消失问题，使得模型可以轻松训练超过1000层的网络。
核心思想 🧠
- 残差学习：通过将网络分层为残差块，允许信息绕过某些层直接传递，公式为：
$$ F(x) + x $$
其中 $ F(x) $ 是残差函数，$ x $ 是输入。 - 批量归一化（BatchNorm）：加速训练过程并提升模型稳定性。
- 网络深度与性能：ResNet-152等深层模型在ImageNet等数据集上表现优异。
应用场景 🌍
- ✅ 图像分类：如ResNet-50在ILSVRC竞赛中取得突破性成果。
- ✅ 目标检测：与Faster R-CNN等模型结合使用。
- ✅ 医学影像分析：用于肿瘤检测等任务。
- ✅ 自然语言处理：通过Transformer与ResNet的融合（如ViT模型）。