残差网络 (ResNet)

残差网络（ResNets）是人工智能（AI）领域的一个重要进步。 人工智能（AI）和 计算机视觉（CV）领域的重要进步。该架构于 2015 年由 该架构解决了 深度学习（DL 梯度消失问题。 梯度消失问题。在 ResNet 出现之前，增加神经网络（NN 神经网络 (NN) 的深度往往会导致收益递减。 收益递减，增加层数实际上会增加训练误差。ResNet 通过引入 "跳过 连接"，从而成功训练出 网络，同时保持高精度。 准确性。

核心创新：残块

ResNet 的决定性特征是残差块。在传统的 卷积神经网络（CNN）中，层是按顺序堆叠的，每一层都试图直接学习从输入到输出的映射。 然而，随着网络变得越来越深，输入数据的信号在到达网络末端之前就会衰减。

ResNet 引入了一种 "快捷方式 "或跳过连接，允许将一个层的输入直接添加到其输出中。 输出。这种机制本质上是让网络学习输入与最佳输出之间的 "残差"（差值），而不是从头开始学习整个转换过程。 的 "残差"（差值），而不是从头开始学习整个转换过程。这种架构 保留了信息流，有利于更好地 特征提取，使模型能够 捕捉纹理和形状等复杂模式，而不会丢失原始输入数据。您可以阅读原文 深度残差学习图像识别论文，以了解其 数学基础。

ResNet 在机器学习中的重要性

ResNet 被认为是许多现代视觉系统的基础支柱。 现代视觉系统的基础骨干。它能够训练非常深度的网络，从而创建出高度鲁棒的模型，这些模型可以在大规模数据集（例如：... 在大规模数据集（如 ImageNet.

该架构对于 迁移学习尤为重要。因为预训练的 ResNet 模型已经从大量数据中学习了丰富的特征图 由于预训练的 ResNet 模型已从大量数据中学习了丰富的特征图，因此只需使用相对较小的数据集，就能针对特定任务对其进行微调。这种多功能性使 ResNet 成为从图像分类到复杂视频的各种任务的标准选择。 图像分类到复杂视频 分析等任务的标准选择。

实际应用

ResNet 提供的稳定性和深度使其能够用于关键的高风险环境。

• 医疗诊断：在医疗领域的 人工智能在医疗保健领域的应用 经常用于 医疗图像分析。例如 研究人员使用深度 ResNet 模型分析核磁共振成像扫描或 X 射线，以进行 肿瘤检测、 在这种情况下，模型必须识别组织结构中的微小异常，而较浅的网络可能会忽略这些异常。
• 自动驾驶： 自动驾驶汽车依靠实时 感知系统进行安全导航。ResNet 变体通常用作以下系统的特征提取器 物体检测系统的特征提取器。 行人、交通标志和其他车辆。网络的深度可确保汽车在不同的光照和天气条件下识别物体。 在不同的光照和天气条件下识别物体，这是汽车安全人工智能的一个关键组成部分。 人工智能在汽车安全领域的关键组成部分。

ResNet 与其他架构的比较

将 ResNet 与深度学习库中的其他常见架构区分开来很有帮助，例如 PyTorch或 TensorFlow:

• ResNet 与 VGG 的对比：VGG（视觉几何组）网络因其简单性而广受欢迎，只使用 3x3 卷积。然而，VGG 模型的计算量很大，超过 19 层就很难进行有效训练。 ResNet 使用跳转连接，层数更深（如 50、101 或 152 层），推理延迟相对其深度更低。 推理延迟。
• ResNet 与YOLO11 的对比：ResNet 主要是分类器骨干网、 YOLO11则是最先进的物体检测器。然而 现代检测器（如YOLO11 ）采用了从 ResNet 演化而来的架构概念，如跨阶段部分连接，以确保训练过程中高效的梯度流。 连接，以确保在训练过程中有效的梯度流。

利用Ultralytics实施

您可以使用 ultralytics Python 软件包。这 允许您访问预训练的权重，并用最少的代码执行推理。

from ultralytics import YOLO

# Load a pre-trained ResNet50 model capable of classifying images
model = YOLO("resnet50.pt")  # Downloads the model weights automatically

# Perform inference on an image URL
results = model("https://ultralytics.com/images/bus.jpg")

# Display the top classification result
print(f"Top class: {results[0].names[results[0].probs.top1]}")

对于有兴趣了解更深层理论的人，斯坦福大学的 CS231n 等课程提供了有关 CNN 架构的优秀学术资源。 斯坦福 CS231n 等课程提供了有关 CNN 架构的优秀学术资源。 无论您是要构建一个简单的分类器，还是要构建一个用于 智能制造的复杂系统，了解 ResNet 对于掌握现代计算机视觉技术至关重要。