殘差網路 是什麼？
ResNet — 殘差網路 的完整解釋
ResNet是一種深度學習模型，透過引入殘差連接解決深度神經網路訓練時的梯度消失問題，允許網路學習殘差映射而非直接映射。
容易混淆
ResNet vs 殘差網路
ResNet 是具體模型家族名稱 殘差網路是更通用的架構概念 最關鍵的區別是家族名稱和概念範圍。
ResNet vs DenseNet
ResNet 透過相加保留資訊 DenseNet 透過串接保留資訊 最關鍵的區別是殘差加法和密集串接。
記住這句就好
ResNet 就是把「改一點就好」做成深網路。
實際案例
ImageNet 分類 ResNet-50 這類模型常被拿來當影像分類的強基線，因為它夠深又好訓練。
遷移學習 很多影像專案會直接拿預訓練的 ResNet 當特徵抽取器，再接自己的分類頭。
算法與應用
ResNet 的核心是 residual block，常見版本有 18、34、50、101、152 層。 較深版本常搭配 bottleneck block，先降維再升維，降低計算量。 它之所以經典，是因為把訓練深網路的門檻大幅拉低。
情境判斷
Q1（直覺題）：如果你要拿一個成熟的影像 backbone 來做轉移學習，ResNet 為什麼常被選？
→ 因為它穩定、成熟，而且有很多預訓練權重可直接用。
Q2（判斷題）：ResNet 的深度增加後，一定比淺層版本好嗎？
→ 不一定。更深通常更有表現潛力，但也更吃資料和算力，結果要看任務。
相關術語
常見問題
ResNet 的殘差塊是什麼？
A：就是把輸入直接加回去，讓模型學的是「修正量」而不是從零開始。
ResNet 有哪些常見變體？
A：常見有 ResNet-18、34、50、101、152，差在層數與 block 設計。
ResNet 為什麼影響這麼大？
A：因為它讓深層網路的訓練變得可操作，後來很多架構都沿用殘差思想。