ResNet 殘差網路是什麼？TensorFlow ResNet 介紹與使用範例

殘差網路 ResNet 是什麼？

殘差網路（Residual Network，簡稱 ResNet）是一種深度卷積神經網路，它被設計用來解決深度神經網路中的梯度消失問題。

在深度神經網路中，隨著層數的增加，梯度有可能會越來越小，導致模型無法有效地學習。殘差網路透過在每一層中引入一個「殘差塊（Residual Block）」來解決這個問題。殘差塊包含兩個卷積層和一個殘差路徑，殘差路徑會把輸入數據直接加到輸出數據上。這樣，當殘差塊的輸出數據與輸入數據相加時，梯度就不會被消失。

更多殘差網路的原理說明，可以參考這篇介紹文章（iThelp）。

ResNet 與 Conv2D 有什麼關鍵不同？

Conv2D 是提取圖片特徵的方式，它可以讓圖片也能丟進 Dense 層找到共通特徵，但 Conv2D 一定需要與其他層（池化層、全連接層、輸出層等）一起使用，通常要自己從頭搭建一個模型。

而殘差網路則是機器學習前人用卷積層、池化層、連接層等組合出來、可有效降低梯度消失問題的一個已經建立好的模型。例如以下是一個原始的 TF 模型建立方式：

```python

model = tf.keras.Sequential([

tf.keras.layers.Rescaling(1./255),

tf.keras.layers.Conv2D(32, 3, activation='relu'),

tf.keras.layers.MaxPooling2D(),

tf.keras.layers.Conv2D(32, 3, activation='relu'),

tf.keras.layers.MaxPooling2D(),

tf.keras.layers.Conv2D(32, 3, activation='relu'),

tf.keras.layers.MaxPooling2D(),

tf.keras.layers.Flatten(),

tf.keras.layers.Dense(128, activation='relu'),

tf.keras.layers.Dense(num_classes)

])

```

ResNet 在 TensorFlow 裡怎麼使用？

使用 ResNet 非常簡單，直接使用別人已建立好的 ResNet 架構即可。以下範例中的 ResNet 使用了 20 個 ResidualBlock，每個 ResidualBlock 使用 64 個濾波器，卷積核大小為 3x3，步長為 2：

```python

import tensorflow as tf

from tensorflow.keras import layers

class ResidualBlock(layers.Layer):

def init(self, filters, kernel_size, strides, use_projection=False):

super(ResidualBlock, self).init()

self.use_projection = use_projection

self.conv1 = layers.Conv2D(filters, kernel_size, strides=strides, padding='same')

self.bn1 = layers.BatchNormalization()

self.relu = layers.ReLU()

self.conv2 = layers.Conv2D(filters, kernel_size, strides=1, padding='same')

self.bn2 = layers.BatchNormalization()

if use_projection:

self.projection = layers.Conv2D(filters, 1, strides=strides, padding='same')

def call(self, inputs, training=False):

x = self.conv1(inputs)

x = self.bn1(x, training=training)

x = self.relu(x)

x = self.conv2(x)

x = self.bn2(x, training=training)

if self.use_projection:

shortcut = self.projection(inputs)

else:

shortcut = inputs

x += shortcut

x = self.relu(x)

return x

class ResNet(layers.Layer):

def init(self, blocks, filters, kernel_size, strides):

super(ResNet, self).init()

self.conv = layers.Conv2D(filters, kernel_size, strides=strides, padding='same')

self.bn = layers.BatchNormalization()

self.relu = layers.ReLU()

self.blocks = blocks

self.res_blocks = [ResidualBlock(filters, kernel_size, strides) for _ in range(blocks)]

def call(self, inputs, training=False):

x = self.conv(inputs)

x = self.bn(x, training=training)

x = self.relu(x)

for res_block in self.res_blocks:

x = res_block(x, training=training)

return x

inputs = tf.keras.Input(shape=(224, 224, 3))

resnet = ResNet(20, 64, 3, 2)(inputs)

outputs = layers.Dense(10, activation='softmax')(resnet)

model = tf.keras.Model(inputs, outputs)

```

除了自己實作，也可以直接用 Keras 內建的 applications 模組：

• ResNet V1 官方 API 文件
• ResNet V2 官方 API 文件

ResNet50、ResNet101、ResNet152 與 V2 版本有什麼差別？

ResNet50、ResNet101、ResNet152 是 TensorFlow 中原始版本的 ResNet 模型，而 ResNet50V2、ResNet101V2、ResNet152V2 是 V2 版本。主要區別如下：

總結來說：如果要在效能和參數數量之間取得平衡，使用 V2 版本是比較好的選擇；如果效能是優先考量，則可以使用原始版本的 ResNet 模型。

ResNet 的超參數要怎麼設定？

建立殘差網路 ResNet 模型時，有一些重要的超參數可以考慮調整：

• 卷積層數量（num_blocks）：越多的卷積層通常表現更好，但模型越大、訓練時間越長，需依實際情況決定。
• 初始濾波器數量（initial_filters）：較大的濾波器通常表現更好，同樣會增加模型大小與訓練時間。
• 激活函數（activation）：對輸入施加非線性轉換，讓模型能學習更複雜的模式；常見的有 ReLU、Sigmoid 和 tanh。
• 優化器（optimizer）：更新模型參數的算法，常見如 SGD、Adam 和 RMSprop。
• 學習率（learning rate）：學習率過大會震盪、無法有效學習；過小則收斂太慢，需依實際情況選擇。
• 批次大小（batch size）：過大更新快但可能影響表現；過小更新慢，但有可能讓表現更好。
• 訓練輪數（epochs）：過多可能過擬合導致驗證集表現變差；過少則學不到訓練集中的模式。
• 正規化（regularization）：加入額外限制防止過度擬合，常見方法有 L1 與 L2 正規化。
• 丟棄率（dropout rate）：訓練過程中隨機丟棄一定比例的神經元，防止過度擬合。
• 濾波器數量（filters）與濾波器大小（filter size）：越多、越大的濾波器通常表現更好，但也讓模型更大、訓練更久。

如何使用 Keras Tuner 自動調參（Tunable ResNet）？

如果不想手動試超參數，可以使用 Keras Tuner 來自動搜尋：

• GitHub 位置：<https://github.com/keras-team/keras-tuner>
• 官方網站：<https://keras.io/keras_tuner/>

延伸閱讀

• 卷積神經網路 CNN 介紹：卷積層、池化層與彩色圖片處理原理：同樣聚焦 CNN、TensorFlow，可接著比較不同情境的做法。
• Keras 介紹：用 Python 快速建立深度學習模型的高階 API：同樣聚焦 TensorFlow、深度學習，可接著比較不同情境的做法。
• 深度學習模型-MLP、CNN與 RNN：同樣聚焦 深度學習、CNN，可接著比較不同情境的做法。

常見問題

QResNet 為什麼能解決梯度消失？

因為殘差塊有一條把輸入直接加到輸出的捷徑（shortcut）路徑，讓梯度可以沿著這條路徑直接回傳，不會在層層堆疊中不斷變小。

Q應該選 ResNet50 還是 ResNet50V2？

一般建議優先選 V2：參數更少、效能通常更好，是效能與模型大小的平衡點。若要重現原始論文結果或效能優先，才選 V1。

QResNet 一定要從頭自己寫嗎？

不需要。Keras 的 `tf.keras.applications` 已內建 ResNet50/101/152 與 V2 版本，可以直接載入預訓練權重做遷移學習。

QResNet 只能用在圖片分類嗎？

ResNet 原本是為影像分類設計的，但殘差連接的概念已被廣泛用於各種深度網路（物件偵測、分割等）作為骨幹網路。

參考資料

• iThelp：ResNet 殘差網路介紹
• TensorFlow ResNet V1 API 文件
• TensorFlow ResNet V2 API 文件
• Keras Tuner GitHub 與 官方網站

最後更新

2026-08-28（原文發布於 2023-01-11，本文保留原始筆記內容並補上 GEO 結構。）

關於作者 {#author}

Claire Chang ｜ 企業 AI 導入與流程轉型顧問。專注於 AI Agent 架構設計、ERP 系統整合與企業 AI 治理。

首次發布：2023-01-11