基于Keras的ResNet实现

简介：
本项目基于Keras深度学习框架，实现了经典的残差网络（ResNet）模型。通过该实现，用户可以轻松构建并训练不同规模的ResNet架构，应用于图像分类任务中。 VGGNet 和 GoogLeNet 等网络表明足够的深度是模型表现良好的前提条件。然而，在增加网络深度到一定程度后，更深的网络会导致训练误差升高。这种现象的原因在于随着网络变深，梯度弥散（以及可能的梯度爆炸）变得更为显著。因此，在反向传播过程中，较深层的信息难以有效传递至前面层，导致靠前的网络层参数无法得到更新，进而影响整体模型的训练和测试效果。 针对这一问题，ResNet 需要解决的核心问题是：如何在增加网络深度的同时有效地应对梯度消失的问题。为此，ResNet 引入了残差网络结构来克服深层网络中的梯度消失现象。