ResNet（残差网络，Residual Network）是一种深度卷积神经网络架构，由何恺明等人提出，广泛应用于计算机视觉任务。其核心创新在于引入残差连接（shortcut connection），允许信号跨层直接传递，从而有效缓解深度网络训练中的梯度消失与梯度爆炸问题，使构建数十乃至数百层的深层网络成为可能。ResNet在图像分类、目标检测等任务中表现卓越，是现代深度学习的基础性架构之一。
ResNet残差连接于2015年被提出
残差连接（ResNet）于2015年引入，与BatchNorm和ReLU等激活函数一起有效缓解了梯度消失问题
ResNet 由何恺明等人在 2015 年提出，核心创新是跳跃连接，让网络学习残差映射 F(x)=H(x)-x
ResNet、EfficientNet、Vision Transformer 的预训练权重基于 ImageNet、COCO 等公开数据集训练得到，许可证通常允许商用
8GB显存足以覆盖大多数计算机视觉模型（如ResNet、EfficientNet）和中小规模NLP模型的训练需求，对本科阶段AI学习足够
CNN架构从LeNet-5到AlexNet（2012）、VGGNet（2014）、GoogLeNet/Inception（2014）、ResNet（2015），再到EfficientNet和ConvNeXt经历了演进过程
残差连接（Residual Connection）由何恺明等人在2015年的ResNet论文中提出，用于解决深层网络中的信息损失问题
跳跃连接最早由Kaiming He等人在2015年提出的ResNet（残差网络）中引入
ReLU激活函数导数恒为1或0，与残差连接ResNet提供的梯度短路通道，是解决梯度消失的两大关键创新
梯度消失问题可通过更换激活函数（如 ReLU 替代 sigmoid）、使用残差连接或调整网络架构来解决
还有 3 条时间轴事件
残差连接最初由 He 等人在2015年的 ResNet 论文中提出，用于解决深度神经网络的梯度消失问题
65%已验证ResNet（残差网络）由微软研究院何恺明团队于2015年提出，通过引入残差连接解决了深层网络训练中的梯度消失问题
65%待验证宠物品种识别可使用卷积神经网络（CNN）模型如ResNet、EfficientNet实现
90%待验证ResNet残差连接于2015年被提出
50%待验证残差连接（ResNet）于2015年引入，与BatchNorm和ReLU等激活函数一起有效缓解了梯度消失问题
50%待验证ResNet 由何恺明等人在 2015 年提出，核心创新是跳跃连接，让网络学习残差映射 F(x)=H(x)-x
50%待验证ResNet、EfficientNet、Vision Transformer 的预训练权重基于 ImageNet、COCO 等公开数据集训练得到，许可证通常允许商用
50%待验证8GB显存足以覆盖大多数计算机视觉模型（如ResNet、EfficientNet）和中小规模NLP模型的训练需求，对本科阶段AI学习足够
50%待验证CNN架构从LeNet-5到AlexNet（2012）、VGGNet（2014）、GoogLeNet/Inception（2014）、ResNet（2015），再到EfficientNet和ConvNeXt经历了演进过程
50%待验证残差连接（Residual Connection）由何恺明等人在2015年的ResNet论文中提出，用于解决深层网络中的信息损失问题
50%待验证跳跃连接最早由Kaiming He等人在2015年提出的ResNet（残差网络）中引入
50%待验证ReLU激活函数导数恒为1或0，与残差连接ResNet提供的梯度短路通道，是解决梯度消失的两大关键创新
50%待验证梯度消失问题可通过更换激活函数（如 ReLU 替代 sigmoid）、使用残差连接或调整网络架构来解决
50%