在深度神经网络中，随着网络越来越深，仅仅靠 BN、ReLU、DropOut等Trick无法解决收敛问题，相反，网络的加深带来参数的增加。
随着网络层级的加深，会出现两个问题：
- 过多的参数容易导致过拟合。
- 训练结果会在真值周围变化，导致网络震荡。
借鉴GBDT和XGBoost的思路，ResNet借助残差来解决震荡问题。
ResNet全称是Residual Network，每一个节点学到的不再是参数本身，而是残差，这就决定了网络有可能无限加深，基线不变，后面的节点学到的是对前面节点的补充，虽然有震荡，但震荡范围越来越小，直到趋于0。