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

# 殘差網路（ResNet）

> **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

> **Q：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。
>
> **Q：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。
>
> **Q：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。
>

### 相關術語

> - **殘差網路**：讀完這個，再回來看主題會更完整。
> - **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。
> - **密集連接網路**：跟 ResNet 一起看，最能看出捷徑與串接的差別。
> - **批次正規化**：它常和深網路訓練一起出現。

---

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