你看過模型訓練一開始很順，越往後越卡住的情況嗎？
你可以把 ResNet 想成在深層神經網路裡加捷徑，讓模型不用每一步都重新學全部內容。
它重要是因為這個設計讓超深的神經網路真正可訓練，也成為影像模型的經典基礎。
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
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。
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。