本文目录一览：
为什么resnet18训练出来的模型只能预测成一类
计算复杂度不同：因为resnet50更深更大，所以其计算复杂度更高，所占用的计算资源更多。
从上我们，可以看出resnet18与resnet101的区别，不仅在于其残差块数量上的差异，还在于其残差块内部的构造不一样。
缺点 分解本身需要的计算量很大；只能逐层分解，不能进行全局的优化；为了达到跟原模型相近的效果，需要重新训练的量较大（因为每一层分解之后都要重新调参）。 （这句话也没有引用，但是感觉说的挺有道理在这里存个档。
因为ResNet50与第五章的ResNet-34模型结构相仿。ResNet-18的模型结构为：首先第一层是一个7×7的卷积核，输入特征矩阵为[112，112，64]，经过卷积核64，stride为2得到出入特征矩阵[56，56，64]。
残差网络
1、第二种过拟合情况不在我们的讨论范围之内，因此我们聚焦在前一种情况，为何残差网络相比简单的多层网络能更好的拟合分类函数，即找到期望函数的参数值。 对于普通的不带短连接的神经网络来说，存在这样一个命题。
2、促进信息在网络中的流动：原始的ResNet网络模块中的ReLU在将负信号置零时影响信息的传播，残差网络的改进减少了整体上ReLU对信息流通的影响。
3、残差网络就是一种 DAG 网络，其中的残差（或快捷）连接会绕过主网络层。残差连接让参数梯度可以更轻松地从输出层传播到较浅的网络层，从而能够训练更深的网络。增加网络深度可在执行更困难的任务时获得更高的准确度。
残差网络(ResNet)
1、在此之前，深度神经网络常常会有梯度消失问题的困扰，因为 ResNet 的梯度信号可以直接通过捷径连接回到更早的层，而且它们的表现依然良好。
2、ResNet （Residual Neural Network，残差网络）由微软研究院何凯明等人提出的，通过在深度神经网络中加入残差单元（Residual Unit）使得训练深度比以前更加高效。
3、resnet没有丢弃结构。ResNet（深度残差网络）并没有丢弃任何结构。相反，它引入了残差连接（residualconnection）作为其主要创新。残差连接允许在网络中跳过一些层，直接将输入添加到后续层的输出中，形成了残差块。
