ResNet，全称 Residual Network（残差网络），是一种卷积神经网络 (CNN) 架构，由微软的研究人员于 2015 年提出。其核心创新在于使用了残差块，其中包含“跳跃连接”（skip connections），允许梯度在训练期间绕过某些层。这种设计解决了梯度消失问题，这是深度网络中常见的难题，会导致梯度变得太小，无法有效更新靠前的层。ResNet 证明了非常深的（例如 152 层）网络可以得到有效训练，在图像分类等任务上优于较浅的模型。例如，ResNet-152 在 ImageNet 数据集上取得了 3.57% 的 Top-5 错误率，在当时创造了新的基准。
ResNet 背后的核心思想是残差块。每个残差块包含几个卷积层和一个快捷连接（shortcut connection），将块的输入添加到其输出中。在数学上，如果块的变换表示为 ( F(x) )，则输出为 ( F(x) + x )。这种结构使得网络能够学习残差函数（与输入的差异），而不是完整的变换，从而使优化更容易。例如，如果某层的理想映射接近恒等函数（identity function），残差 ( F(x) ) 可以快速收敛到零，而不是强迫层从头开始学习恒等映射。ResNet 架构如 ResNet-34、ResNet-50 和 ResNet-101 在深度和复杂度上有所不同；更深的版本使用“瓶颈层”（bottleneck layers，即 1x1 卷积）来降低计算成本，同时保持准确性。
ResNet 的设计已成为计算机视觉领域的基础。它广泛应用于图像分类、目标检测（例如 Faster R-CNN）和图像分割等任务中。PyTorch 和 TensorFlow 等框架包含预构建的 ResNet 实现，使开发者能够轻松将其集成到项目中。一个实际的例子是使用预训练的 ResNet-50 模型进行迁移学习：开发者可以移除最后的分类层，添加自定义层，并在较小的数据集（例如医学影像）上对模型进行微调。除了直接应用之外，ResNet 通过证明极深的网络可以可靠地训练，影响了后来的架构，如 DenseNet 和 EfficientNet。其跳跃连接的概念也被应用于非视觉领域，例如自然语言处理（NLP）模型，显示了它对神经网络设计的广泛影响。