ResNet（Residual Neural Network）是一种深度神经网络，由微软研究院的Kaiming He等人在2015年提出。ResNet通过引入残差结构（residual structure）来解决深度神经网络训练中的梯度消失和梯度爆炸问题，从而使得神经网络能够训练更深。

ResNet有什么特点

1、残差连接：在ResNet中，残差连接是其核心特性，它允许我们训练非常深的神经网络，同时有效避免梯度消失问题。

2、恒等映射：ResNet巧妙地运用恒等映射作为残差函数。通过学习残差映射而非实际映射，这使得训练过程变得更为简便。

3、深度优势：ResNet的深度是其一大优势。通过构建深度神经网络，它在图像识别任务中展现出卓越的性能。

4、参数优化：相较于其他模型，ResNet在参数使用上更为精简，但仍然能够获得出色的结果，从而提高计算效率。

5、领先成果：在众多图像识别任务中，ResNet都取得了领先地位。如今，它已成为图像识别领域的基准模型。

6、通用且高效：残差连接作为一个通用且高效的方法，能够轻松地应用于各种深度学习任务中。