残差网络（ResNet）

残差网络（ResNet）是一种开创性的深度学习架构，旨在解决梯度消失问题，该问题通常会阻碍深度神经网络的训练。ResNet 由何开明和他在Microsoft Research 的团队于 2015 年推出，利用 "跳过连接 "或 "残差连接 "使信息能够绕过一个或多个层，从而使模型即使在拥有数百或数千个层的情况下也能有效地进行训练。这一创新使 ResNet 成为现代深度学习的基础架构，尤其是在计算机视觉任务中。

ResNet 的主要功能

1. 跳接：这些连接允许梯度直接流经网络，从而缓解梯度消失的问题。它们的工作原理是引入一条捷径，跳过一个或多个层，直接将输入连接到区块的输出。进一步了解反向传播在训练深度网络中的作用。

2. 残差块：残差块是 ResNet 的核心构件，它将块的输入添加到块的输出中，从而有效地学习残差映射，而不是完整的转换。这简化了优化过程，因为网络专注于学习与输入不同的地方。

3. 可扩展性：ResNet 架构可以扩展到非常深的网络，如 ResNet-50、ResNet-101 和 ResNet-152，而不会降低性能。

4. 提高泛化能力：残差连接提高了深度网络的泛化能力，使 ResNet 在各种任务和数据集（如ImageNet）中都能保持稳定。

ResNet 的应用

图像分类

ResNet 在图像分类任务中一直处于领先地位。ResNet-50 和 ResNet-101 等模型经常被用作分类管道的骨干。例如，ResNet 在 2015 年赢得 ImageNet 大规模视觉识别挑战赛 (ILSVRC) 中发挥了重要作用。了解有关图像分类及其应用的更多信息。

物体检测

ResNet 通常在 Faster R-CNN 和Ultralytics YOLO 等物体检测框架中用作骨干网。ResNet 能够提取分层特征，因此非常适合对图像中的物体进行定位和分类。探索物体检测如何改变医疗保健和自动驾驶汽车等行业。

医学影像

在医疗保健领域，ResNet 模型用于分析复杂的医学图像，如 X 光、核磁共振成像和 CT 扫描。它们有助于高精度地检测肿瘤或器官异常等异常情况。了解医疗领域的人工智能如何彻底改变诊断和治疗计划。

自动驾驶汽车

ResNet 是自动驾驶汽车视觉系统的重要组成部分，能够准确识别行人、车辆和交通标志。ResNet 强大的特征提取能力可确保在动态环境中安全导航。了解更多有关人工智能在自动驾驶中的作用的信息。

真实案例

1. 面部识别系统：ResNet 用于面部识别模型，以识别和验证个人。例如，Facebook 的 DeepFace 就采用了受 ResNet 启发的架构，在人脸验证中达到了人类级别的准确度。

2. 制造业质量控制：ResNet 模型应用于制造业，通过分析生产线上的物品图像来检测产品缺陷。这种自动化提高了效率，减少了人为错误。探索制造业中的视觉人工智能如何改变工业流程。

技术洞察

ResNet 的成功在于它能够在不降低性能的情况下训练非常深度的网络。由于梯度消失问题，传统的深度网络往往会随着层数的增加而出现精度下降。ResNet 通过使用残差连接，让梯度在网络中畅通无阻地传播，从而规避了这一问题。

如需了解更多技术细节，请参阅卷积神经网络 (CNN)词汇表页面，该页面解释了 CNN 如何支撑 ResNet 等架构。

与同类机型相比的显著特点

• U-NetResNet 和 U-Net 都支持深度架构，而 U-Net 则专门针对图像分割任务而设计，可提供像素级分类。了解有关U-Net 的更多信息。

• 视觉转换器（ViT）：与依赖卷积层的 ResNet 不同，Vision Transformers 使用自我注意机制来模拟图像中的全局依赖关系。探索视觉转换器，进行比较。

未来发展方向

ResNet 不断激发出新的架构，如 DenseNet，它通过将每一层与其他每一层连接起来，扩展了跳过连接的概念。随着深度学习的发展，ResNet 仍然是开发高效、可扩展模型的基石。

如需亲身体验，请访问Ultralytics HUB，利用 ResNet 作为分类和检测等任务的支柱，训练和部署人工智能模型。