ResNet: 深度学习中的经典模型，解决梯度消失问题

ResNet 是一种由微软研究院的 Kaiming He 等人在 2015 年提出的深度神经网络，全称为 Residual Network，即残差网络。ResNet 的主要创新是引入了残差模块，通过在模块中添加跨越连接（skip connection）来解决深度神经网络训练中出现的梯度消失和梯度爆炸问题，从而使得网络可以更深更容易地训练。

ResNet 的核心思想是将网络层分为多个残差块（Residual Block），每个残差块中包含多个卷积层、批归一化层和激活函数层。为了解决梯度消失问题，ResNet 在每个残差块中添加了直接连接（shortcut connection），允许信息直接绕过一些卷积层，从而使得梯度能够更有效地传播。

此外，ResNet 还提出了一种新的结构——bottleneck 残差块，它可以更好地处理高维度特征，从而减少了计算量和参数数量。

ResNet 在图像分类、目标检测、语义分割等计算机视觉任务中表现出了很好的性能，成为了深度学习中的经典模型之一。

ResNet 的残差模块和 shortcut connection 的引入，为深度神经网络的训练提供了新思路，对于优化神经网络的性能和效率具有重要意义。