解决的问题：
由于梯度消失，深层网络很难训练。因为梯度反向传播到前面的层，重复相乘可能使梯度无穷小。结果就是，随着网络的层数更深，其性能趋于饱和，甚至迅速下降。
核心思想：
引入一个恒等快捷键（也称之为跳跃连接线），直接跳过一个或者多个层。如图一
图一
当有这条跳跃连接线时，网络层次很深导致梯度消失时，f(x)=0，y=g(x)=relu(x)=x
1. 在网络上堆叠这样的结构，就算梯度消失，我什么也学不到，我至少把原来的样子恒等映射了过去，相当于在浅层网络上堆叠了“复制层”，这样至少不会比浅层网络差。
2. 万一我不小心学到了什么，那就赚大了，由于我经常恒等映射，所以我学习到东西的概率很大。
关于为什么残差结构（即多了一条跳跃连接线后）为什么一定程度缓解了梯度消散的数学推导：
相加是尺寸一样时才可以相加，尺寸一样时如上述，当尺寸不一样时，
而所谓Resnet-18,Resnet-50,等，不过是层数不一罢了，如下图，惯用的是Resnet-50与101
一些注释：
每个卷积模块的第一层，卷积，要做下采样，使分辨率降低，即高和宽减半，同时会让深度随之增加，用3*3的卷积核，步幅为2即可完成下采样，1*1的卷积核步幅为2进行下采样的话会因为跳过造成数据损失。