2015年，何凯明等人提出了一种新的神经网络结构Residual Networks（简称ResNet），在当年的ImageNet比赛中，在classification、detection、localization以及COCO的detection和segmentation任务上均获得第一名。同时，凯明大神发表的ResNet文章斩获了CVPR2016年的best paper，真tql。
论文链接：Deep Residual Learning for Image Recognition
代码链接：https://github.com/KaimingHe/deep-residual-networks
我们知道，网络的深度直接决定了网络的性能，往往更深的网络具有更强的表达能力。近年来随着GPU算力的大幅度提高，使得拥有大量参数的黑盒模型（深度学习）快速发展，从最初的LeNet->AlexNet->Vgg16...,似乎网络越来越深，精度也越来越好。但一些实验数据显示：当网络进一步加深，层数达到20层甚至100层时，更深的网络却表现出更高的误差，如下图所示：
