---
title: "殘差網路（Residual Network）"
slug: residual-network
language: zh-TW
source: https://aiterms.tw/terms/residual-network
updated_at: 2026-04-29
tags: [深度學習, 神經網路, 電腦視覺, 模型訓練, 模型評估]
ipas_term: false
---

# 殘差網路（Residual Network）

> **你有沒有覺得，模型越堆越深，結果反而越難訓練？**
>
> 你可以把殘差網路想成幫模型多留一條捷徑，讓資訊不用每次都從頭繞遠路。
>
> 它重要是因為深度網路一旦變深，很容易出現梯度消失或訓練變差，殘差連接就是為了解這個問題。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **殘差網路 vs 一般深度網路**
>
> 殘差網路多了跳接或捷徑
> 一般深度網路只是一層接一層往下堆
> 最關鍵的區別是有沒有 identity shortcut。
>
> **殘差網路 vs DenseNet**
>
> 殘差網路是加上殘差，保留原輸入加一點修正
> DenseNet 是把前面特徵一路串接下去
> 最關鍵的區別是相加還是串接。
>

### 記住這句就好

> 深網路不好訓，就先幫它開一條捷徑。

### 實際案例

> **影像分類**
> 把更深的 CNN 變成 ResNet 後，模型通常更容易訓練，也更能抓到複雜特徵。
>
> **醫學影像**
> 在 X 光或病理切片任務裡，殘差網路常被拿來當強力基準模型。
>

### 算法與應用

> 殘差塊學的是 F(x) + x，而不是每一層都硬學完整映射，這讓優化更穩。
> 當層數變多時，捷徑能讓梯度比較容易回傳，減少訓練退化。
> 殘差網路不是萬能，但它把「做深」這件事變得實際可行。

### 情境判斷

> **Q1（直覺題）：如果一個深網路加了跳接，訓練明顯更穩，這通常在解什麼問題？**
>
> → 多半是在解梯度消失或深層訓練退化。
>
> **Q2（判斷題）：殘差連接代表模型一定會更準嗎？**
>
> → 不一定。它主要是讓深網路更好訓練，最後準不準還要看資料、架構和調參。
>

### 常見問題

> **Q：為什麼殘差連接能幫助訓練？**
> A：因為梯度可以透過捷徑直接回傳，不必完全依賴每一層都學得很好。
>
> **Q：ResNet 越深越好嗎？**
> A：不一定，太深也可能過擬合或訓練成本過高。
>
> **Q：殘差網路和普通 CNN 差在哪？**
> A：重點差在殘差連接，這讓深度增加時比較不容易訓練崩掉。
>

### 相關術語

> - **深度學習**：理解深度網路，很多模型架構才看得懂。
> - **卷積神經網路**：殘差網路和 ResNet 都建立在 CNN 上。
> - **批次正規化**：它常和深網路訓練一起出現。
> - **梯度下降**：深網路訓練的基本優化方法。
> - **殘差網路**：它是殘差網路最常見的家族名稱。

---

來源：https://aiterms.tw/terms/residual-network
快查頁：https://aiterms.tw/terms/residual-network
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-residual-network