对于残差块的解释
它有二层，如下表达式，其中
代表非线性函数ReLU，
然后通过一个，和第二个ReLU，获得输出y
当需要对输入和输出维数进行变化时（如改变通道数目），可以在时对x做一个线性变换Ws，如下式，然而实验证明x已经足够了，不需要再搞个维度变换，除非需求是某个特定维度的输出，如文章开头的网络结构图中的虚线，是将通道数翻倍 。
实验证明，这个残差块往往需要两层以上，单单一层的残差块(y=W1x+x)并不能起到提升作用 。残差网络的确解决了退化的问题，在训练集和校验集上，都证明了的更深的网络错误率越小，如下图
实际中，考虑计算的成本，对残差块做了计算优化，即将两个3x3的卷积层替换为1x1 + 3x3 + 1x1, 如下图 。新结构中的中间3x3的卷积层首先在一个降维1x1卷积层下减少了计算，然后在另一个1x1的卷积层下做了还原，既保持了精度又减少了计算量 。
bty：残差网络原理详解的博客-CSDN博客
【ResNet算法】深度学习 --- 深度残差网络详解进击的菜鸟-CSDN博客_深度残差网络

• 二 JVM.垃圾回收算法/策略内存分配
• 深度学习_经典网络_ResNet详解及常见问题总结
• 路径规划-A*算法
• 算法介绍及实现——卡尔曼滤波
• Hash Table 算法数据结构基础——哈希表
• 后缀树 算法分析与设计
• 包邮送书 《人工智能算法图解》书籍分享
• 100个python算法超详细讲解：阿姆斯特朗数
• 几种数据分布算法
• 200道大数据面试常考Leetcode算法题