ResNet（Residual Network）是一种在计算机视觉任务中广泛应用的深度卷积神经网络架构。自2015年提出以来，ResNet通过其独特的残差学习机制，有效解决了深度网络训练中的梯度消失和梯度爆炸问题，使得训练数百甚至数千层的网络成为可能。以下是一些主要的ResNet变种：
- ResNet V1：原始的ResNet架构，通过引入残差块来解决深度网络训练中的退化问题。
- ResNet V2：对ResNet部分组件的顺序进行了调整，主要是将ReLU激活函数移入残差块内部。
- ResNeXt：引入了“分叉路径”的概念，允许不同路径的特征图在合并之前独立进行卷积运算，从而增加了网络的宽度。
- Wide ResNet（Wide ResNet）：通过增加网络的宽度而不是深度来提高模型的性能，同时保持较低的参数数量。
这些变体通过不同的网络结构设计，进一步提升了ResNet在计算机视觉任务中的性能和应用范围。
