ResNet: 深度残差网络 - 2015 年图像识别突破

ResNet，由何凯明等人于 2015 年提出，是一种深度神经网络结构，在 ImageNet 数据集上取得了前所未有的性能，成为当时最先进的图像识别模型之一。ResNet 的主要贡献在于解决深度神经网络中的梯度消失问题，使得网络可以更深更宽，从而进一步提升模型的性能。

ResNet 的核心思想是引入残差块，即在网络中添加直接连接来跳过一些层，实现了信息的快速传递。这种设计使得网络可以更加深层，同时保持了梯度的有效传递。因此，ResNet 在深度学习领域中具有重要的意义，其架构被广泛应用于图像识别、目标检测、语音识别等各个领域。

ResNet 的成功也启示人们，深度学习不仅仅是增加网络的深度，还需要更好的设计和优化才能发挥其潜力。因此，ResNet 的影响不仅仅在于其本身的性能，还在于其对深度学习的发展和研究方向的影响，促进了更深入的研究和探索。