搜尋意圖： 如果你在找「殘差網路 是什麼」或「殘差網路 和相近概念差在哪」，先看這頁的短定義、完整說明與延伸比較。
TL;DR： ResNet是一種深度學習模型，透過引入殘差連接解決深度神經網路訓練時的梯度消失問題，允許網路學習殘差映射而非直接映射。
實用情境： 適合用在閱讀 AI 文章、產品文件或和同事討論時，先用一頁快速對齊概念。
下一步： 先讀完定義，再往下看延伸比較與對應工具，把概念轉成實際應用。
你看過模型訓練一開始很順，越往後越卡住的情況嗎？
你可以把 ResNet 想成在深層神經網路裡加捷徑，讓模型不用每一步都重新學全部內容。
它重要是因為這個設計讓超深的神經網路真正可訓練，也成為影像模型的經典基礎。
你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。
容易混淆
ResNet vs 殘差網路
ResNet 是具體模型家族名稱 殘差網路是更通用的架構概念 最關鍵的區別是家族名稱和概念範圍。
ResNet vs DenseNet
ResNet 透過相加保留資訊 DenseNet 透過串接保留資訊 最關鍵的區別是殘差加法和密集串接。
記住這句就好
ResNet 就是把「改一點就好」做成深網路。
實際案例
ImageNet 分類 ResNet-50 這類模型常被拿來當影像分類的強基線，因為它夠深又好訓練。
遷移學習 很多影像專案會直接拿預訓練的 ResNet 當特徵抽取器，再接自己的分類頭。
算法與應用
ResNet 的核心是 residual block，常見版本有 18、34、50、101、152 層。 較深版本常搭配 bottleneck block，先降維再升維，降低計算量。 它之所以經典，是因為把訓練深網路的門檻大幅拉低。
殘差區塊怎麼運作
ResNet 的核心是殘差區塊（residual block），結構只有一個改動：
輸出 = F(x) + xF(x) 是那幾層卷積算出來的東西，x 是這個區塊的輸入。輸入直接跳過那幾層加到輸出上，這條路徑叫捷徑連接（shortcut connection）或恆等映射（identity mapping）。
這個改動看起來很小，效果卻是決定性的。原本每一層要學的是「完整的映射 H(x)」，現在只要學「跟輸入的差距 F(x) = H(x) − x」，也就是殘差。
為什麼這樣比較好學：如果某一層其實不需要做任何事，原本要讓好幾層卷積湊出一個恆等映射，那很難；現在只要讓 F(x) 趨近 0 就好，權重往 0 壓是最佳化很容易做到的事。
它解決的是退化問題，不是過擬合
這一點常被誤解。ResNet 論文指出的現象是：把 20 層的網路加深到 56 層，訓練誤差也變高了。訓練誤差變高代表這不是過擬合，而是深網路變得難以最佳化，這叫退化問題（degradation problem）。
捷徑連接同時解決了兩件事。
梯度可以直接回傳。 反向傳播時梯度沿著捷徑那條路是原封不動傳回去的，不會被中間層層層衰減，所以幾百層也訓練得動。
深網路至少不會比淺網路差。 多出來的層只要學成恆等映射就等於不存在，理論上加深不會傷害效能。
這個設計的影響遠超過影像領域。Transformer 每個子層外面包的那個殘差連接（加上層正規化），用的就是同一個想法。可以說現代所有深層網路都建立在這條捷徑上。
實作上的兩個細節。 輸入與輸出通道數不同時，捷徑上要加一個 1×1 卷積調整維度。較深的版本（ResNet-50 以上）用瓶頸結構（bottleneck），先用 1×1 降維、做 3×3 卷積、再用 1×1 升維，這樣參數量小很多。
情境判斷
Q1（直覺題）： 如果你要拿一個成熟的影像 backbone 來做轉移學習，ResNet 為什麼常被選？
Q2（判斷題）： ResNet 的深度增加後，一定比淺層版本好嗎？
常見問題
ResNet 的殘差塊是什麼？
A：就是把輸入直接加回去，讓模型學的是「修正量」而不是從零開始。
ResNet 有哪些常見變體？
A：常見有 ResNet-18、34、50、101、152，差在層數與 block 設計。
ResNet 為什麼影響這麼大？
A：因為它讓深層網路的訓練變得可操作，後來很多架構都沿用殘差思想。