ResNet由Kaiming He（何凯明）等发明（论文下载：Deep Residual Learning for Image Recognition），获得了2015年ILSVRC挑战赛的冠军，一度将TOP-5错误率降至3.6%。参加2015年挑战赛区的ResNet网络深度达到152层，比起以前的卷积神经网络，深度越来越深，但参数越来越少。

ResNet使用了一种叫做残差学习（residual learning）的方法，即将输入越过几层直接添加到后面层的输出上，此时模型不再是简单地拟合目标函数h(x)，而是去拟合目标函数与输入之间的残差f(x) = h(x) - x。

网络架构

• 如上所示为ResNet卷积神经网络的架构，其开始和结束类似于GoogLeNet，除了没有dropout层，中间是一系列的由两个卷积层组成的残差单元，期间没有池化层而使用了批归一化和ReLU激活函数，全部使用了3x3的卷积核、步长为1、进行全0填充。
• ResNet中每过几个残差单元，特征图的数量翻倍，而特征图的尺寸减小一半（使用了步长为2的卷积）。为了使得前面的输入能够通过快捷连接（skip connection）添加到后面的输出上，对输入进行了卷积核为1x1、步长为2的卷积操作。

ResNet-34共有34层（只算卷积层和全连接层），包括64个特征图的3个残差单元、128个特征图的4个残差单元、256个特征图的6个残差单元和512个特征图的3个残差单元。由于每个残差单元有两层卷积层，因此ResNet-34总层数为：

（3+4+6+3）* 2 + 1 + 1 = 34。（注：两个1分别代表刚开始的7*7的卷积层和全连接输出层。）

ResNet-152共有152层，与上面ResNet-34不同，ResNet-152使用了三层的残差单元：64个1x1卷积核、64个3x3卷积核、256个1x1卷积核。ResNet-152包括256个特征图的3个残差单元、512个特征图的8个残差单元、1024个特征图的36个残差单元、2048个特征图的3个残差单元。由于每个残差单元有三层卷积层，因此ResNet-152总层数为：

（3+8+36+3）* 3 + 1 + 1 = 152。（注：两个1分别代表刚开始的7*7的卷积层和全连接输出层。）