ResNet（Residual Network）是深度学习领域中一个里程碑式的架构，尤其在图像识别任务中表现出色。它通过引入残差块解决了深层网络训练中的梯度消失问题，让网络可以更深更高效。

🌟首先，ResNet的核心在于残差块的设计。每个残差块由两到三个卷积层组成，其中包含“跳跃连接”（skip connection），直接将输入传递到输出，形成恒等映射。这种设计使得网络即使层数增加，性能也不会退化。

🔍在搭建ResNet时，需注意各层的Tensor shape变化。例如，初始卷积层通常为[batch_size, 3, 224, 224]，经过几次下采样后，最终特征图尺寸会显著减小，而通道数可能大幅增加，如[batch_size, 2048, 7, 7]。

🎯通过精心调整残差块的数量和类型，ResNet可以轻松构建50层、101层甚至152层的网络。这种灵活性使其成为计算机视觉任务的强大工具。💪💡