深度残差网络 ResNet: 2015 年深度学习的里程碑

深度残差网络 ResNet 是由何凯明等人于 2015 年提出的一种深度神经网络结构，它通过引入残差模块，解决了传统深度网络的梯度消失和过拟合等问题，使得网络可以更深更容易训练。

ResNet 通过跨层连接将前一层的输出直接加到后一层的输入中，形成了残差模块。这种结构可以使得网络不断地学习残差，从而使得深度网络的准确率不断提高。

ResNet 的成功启示了深度学习中模型深度的重要性，同时也为后来的深度网络结构提供了借鉴。ResNet 在多个计算机视觉任务中都取得了很好的效果，例如图像分类、目标检测、语义分割等。

ResNet 的影响不仅仅体现在其在计算机视觉领域的成功应用，更重要的是它在深度学习领域对于模型深度的认识和理解。ResNet 提出了深度网络的残差学习思想，为后来的深度学习研究提供了新的思路和方法。