标准回答
一、残差网络（ResNet, He et al. 2015）
二、核心思想
学习残差 F(x) 而非直接映射 H(x)，输出 y = F(x) + x（跳跃连接）。
三、意义
- 梯度流动：反向时梯度有恒等路径，缓解 梯度消失
- 缓解退化：更深网络测试误差反而上升——残差使层可学「零映射」，不低于浅层
- 可扩展深度：ResNet-152 在 ImageNet 夺冠，催生 ResNeXt、DenseNet 等
面试里不要只停在公式或名词，可以补 残差网络ResNet的意义是什么 对训练稳定性、泛化、收敛速度或显存/算力的影响。再说明一个常见调参或排错场景，面试官会更容易判断你真的用过这些方法。
四、Bottleneck 块
（ResNet-50+）：1×1 降维 → 3×3 卷积 → 1×1 升维，减参提效。
ResNet 成为检测、分割、预训练 backbone 标准；思想也影响 Transformer（Pre-LN + 残差）。详见 计算机视觉入门。
回答思路
【定义】用一句话说清「残差网络（ResNet）的意义」
【原理】讲清关键机制或步骤（2～3 点）
【例子】举一个真实项目、论文或产品中的例子
【对比】与易混淆概念或替代方案比较（如有）
【收尾】总结适用场景 + 一个局限或风险
常见误区
⚠️ 常见踩坑
误区一：容易答偏的地方：只说「加了跳跃连接」却说不清 F(x)+x 公式；忽视 projection shortcut；把 ResNet 仅当「很深 CNN」不提退化问题。
追问
追问 1：恒等映射时 F(x) 学什么？
若最优映射接近恒等，F(x)→0 即可，比直接学 H(x)=x 容易（权重→0）。若需变换，F 学残差部分。这是优化层面的归纳偏置。
追问 2：ResNet 和 DenseNet 区别？
DenseNet 每层连接前面所有层（特征复用、参数效率高）；ResNet 仅相邻块短路。DenseNet 显存占用特征图更大。
追问 3：通道数不匹配时跳跃连接怎么办？
用 1×1 卷积 + stride 对 x 做 projection 匹配 shape，再相加。否则无法逐元素相加，残差分支和主分支维度必须一致。
🔗 相似问题
同一考点的不同问法，换着练更稳
没找到想看的面试题？把你想看的告诉我们 →
延伸学习
按主题分类的相关资源，便于系统复习
