论文链接：https://arxiv.org/pdf/1512.03385.pdf
1.提出问题
深度神经网络很难训练，不仅仅是过拟合的问题，而且训练不动，训练误差很高
2.干了什么
为了解决这个问题，我们提出残差学习框架（residual learning framework），使得神经网络的训练变得容易，并且我们的网络比之前所有的网络都要深。
3.解决方法
我们将网络层（layers）明确的定义为需要学习的残差函数（residual function，关于输入的函数），而不是学习未指定的函数（unreferenced functions）。
4.实验结果
34层的残差网络优于18层的残差网络（2.8%）.更加重要的是，前者训练误差和验证误差都低于后者。这足以表明，残差网络可以解决退化问题。
5.主要内容
4.1 Introduction
首先，作者提出了一个实验现象，深度网络对比浅层的网络，无论是训练误差还是测试误差都要差，这个问题不是过拟合问题，因为训练误差也很差。那么我们假设一个浅层模型和一个深层模型，深层模型的深层次的层总能学习到一组权重使输入x映射的输出也为x，那么从这个角度上看，深层模型不应该比浅层模型差，但是实验结果却相反，也就是说，深层模型难以训练。
于是 作者提出了一种残差模型来解决这个问题，如果我们将H(x)视为一个底层映射，模型学习H(x)-x,原来的函数就变成了F(x)+x。作者指出，学习残差H（x）-x比H（x）更容易。
4.2. Deep Residual Learning
（1）模型的实现
Plain Network. Plain网络的基准（图3，middle）受启发于VGG网络（图3，left）。该卷积网络大部分是3x3卷积，并且有两条设计准则：（i）同样输出大小的特征图，有着相同数量的卷积核；（ii）如果特征图大小减半，为了保证相同的时间复杂度，滤波器个数加倍。我们使卷积滑动为2的方式进行降采样。网络的最后使用全局平均池化和1000个节点的全连接（softmax），总共的权重层为34.
Residual Network.基于上面的Plain网络，我们插入快捷连接（shortcut connections，图3，right）。当输入和输出是同一纬度的，方程1中的shortcut可以直接应用（图3中，实线连接）。当维度增加时（图3，虚线连接），我们考虑两种操作：（A）shortcut仍然进行恒等映射，但是进行零填充；（B）方程2中进行维度投影（通常使用1x1进行维度增加）。对于两种操作，如果跨越的特征图大小不一样，那么增加卷积滑动（stride2）。
训练模型的操作与AlexNet和GoogLeNet保持一致，对图片的短边在[256, 480]之间进行随机采样（scale augmentation）。进行224x224的随机裁剪（原图或者翻转图），并且减去均值。使用[21]的颜色增强方法。BN应用在卷积和激活层之前，优化器为SGD，batch size 256.初始学习率为0.1，当误差不降时，除以10。weight decay 为0.0001，momentum 为0.9，不使用Dropout。
4.3 Experiments
作者在这个部分展示了很多的实验结果，实验结果表明，残差模型能够解决深层模型无法收敛的问题。
作者还对比了3种残差连接的方式，（A）零填充的快捷连接用于升维，所有的连接均没有参数（见Table2和图4，right）；（B）部分投影连接，部分是恒等连接；（C）均为投影连接；实验结果如下：
从图中可以看出，C方案是最好的，但是作者说它比较贵，所以采用了B方案，维度相同时使用恒等连接，维度不同时使用投影连接。
如何构建更深层次的ResNet网络？
5.后续解释
加入前面的层的输出后，增加了后续层的梯度，让模型能够收敛到比较好的结果
