🌟 ResNet（Residual Network）是一种深度残差网络，广泛应用于图像识别和分类任务中。它的核心在于引入了“残差块”（Residual Block），有效解决了深层网络训练中的梯度消失问题。

🔍 在ResNet中，每个残差块由两个或多个卷积层组成，同时通过“捷径连接”（Shortcut Connection）将输入直接传递到输出。这种设计允许网络“跳跃”部分层，从而避免了信息丢失。例如，在一个典型的残差块中，输入$x$经过卷积操作后变为$F(x)$，最终输出为$x + F(x)$，这就是所谓的“残差学习”。

🚀 计算过程中，ResNet通过堆叠多个残差块来构建深层网络。例如，ResNet50包含约50层，而ResNet152则有152层！得益于残差结构，即使网络层数增加，训练难度也不会显著上升。此外，ResNet还采用了批量归一化（Batch Normalization）和ReLU激活函数，进一步提升了模型性能。

🎯 总结来说，ResNet凭借其创新的残差结构，成为深度学习领域的重要里程碑之一。无论是学术研究还是工业应用，它都展现了强大的潜力！✨