ResNet解决了什么问题?结构有何特点?

　　ResNet(Residual Neural Network)是一种深度残差网络，被提出来解决深度神经网络训练过程中的梯度消失和梯度爆炸问题。在训练深层网络时，随着网络层数的增加，梯度往往会逐渐变小，导致难以进行有效的反向传播，使得网络的训练变得困难。ResNet通过引入残差连接(residual connection)来解决这个问题，使得网络更容易训练，能够有效地训练非常深的网络。

　　ResNet的主要特点如下：

　　1.残差连接

　　ResNet引入了残差连接，将输入的特征直接与输出的特征相加，形成残差块。这种连接方式允许信息直接通过跳跃连接(skip connection)绕过网络中的某些层，从而避免了梯度在传播过程中的衰减。通过残差连接，网络能够更轻松地学习残差部分，从而提高了网络的性能和训练效果。

　　2.深度网络设计

　　ResNet可以非常深，甚至超过百层的网络，而且仍然能够有效训练。这是因为残差连接的引入有效地解决了梯度消失和梯度爆炸问题。较深的网络可以学习到更多复杂的特征表示，从而提高了网络的表达能力和性能。

　　3.残差块结构

　　ResNet中的基本构建单元是残差块(residual block)，它由多个卷积层和批归一化层组成。每个残差块内部有两个卷积层，用于提取特征，同时在卷积层之间保持了原始输入特征的维度不变。这样可以确保网络在进行特征学习的同时，保留了更多原始信息，使得网络更加稳定和易于训练。

　　4.全局平均池化

　　ResNet在网络的末尾通常使用全局平均池化层来代替全连接层。全局平均池化将最后一层特征图的每个通道的空间维度进行平均，得到一个固定长度的特征向量，作为最终的分类器输入。这种池化操作减少了参数数量，降低了过拟合的风险，并且能够保留更多的空间信息。

　　通过这些设计，ResNet在深度学习领域取得了很大的成功。它的创新之处在于引入了残差连接，解决了深度网络训练中的梯度问题，使得网络可以更深、更易训练，并且在各种计算机视觉任务中取得了非常优秀的性能。