ResNet：残差连接让网络深到 152 层

越深越差？这说不通

理论上网络越深越能学复杂规律，可实验发现：56 层的网络在训练集上的表现居然比 20 层的还差——不是过拟合，是连训练都训不好。2015 年，何恺明团队的 ResNet 用一个简单到惊人的改动解决了这个问题，直接拿下 ImageNet 冠军，错误率低到 3.57%，首次超过人类的约 5%。

抄近道的智慧

ResNet 的核心叫残差连接：每几层之间加一条「抄近道」的旁路，输出不是加工结果 $F(x)$，而是 $F(x)+x$，白话就是——这一层只学「在原有基础上该改多少」，改不动就原样传下去。像改作文：不再重写整篇，只在原文上批注修改，最差也是保持原文，不会越改越烂。这样一来，梯度可以顺着旁路直接传回浅层，梯度消失大大缓解，152 层也练得动。

影响深远的一笔

ResNet 之后，「加一条旁路」成了深度学习的标准件：今天的大模型内部每一层都有残差连接，视觉、语音、语言模型无一例外。《动手学深度学习》在「现代卷积神经网络」一章从原理到代码讲透了 ResNet，还顺便讲了它之前的 VGG、GoogLeNet 等前辈。

常见误区

残差连接不是「跳过某些层不用」，而是「加工结果 + 原文」一起往下传；层数深也不是为了炫技，是为了支撑更精细的特征提炼。

练一练：用「改作文」的类比给家长讲一遍残差连接，重点说清为什么它不会「越改越烂」。