【摘要】
提出问题：深的神经网络难训练。使用残差学习使容易。非常容易训练，很好的精度，增加层。Imagenet 152层的深度，比vgg更低的复杂度
CIFAR-10小数据，居然能训练100-1000层！
COCO的目标检测数据集，用之前学习的残差网络，提升了28%。
【图】
图1：56层不如20层，both on训练and测试。
图2/3：架构图
图4：实验结果，没加resnet，34不如18，加了之后比18强
表4：比google-net，从7.89降到了4.49
【introduction】
deep CNN自动把特征的level表现出来了，
好的初始化和BN使得很深可以训练。更深的网络并没有overfit，因为训练误差也变大了。
理论深的新加的搞成id，是至少不比浅的差的。但sgd找不到。
本来的浅的网络输出是x, 新加一个网络，学习h(x)-x， 不加新参数不增加复杂度，很容易训练。越深精度就越高！
在不同数据集都很有效！
【related work】
shortcut之前也用到过，比如highway networks, 但之前的工作比较复杂，这里只是一个加法。
旧的技术在更多的数据上可能结论会有不同！！！
【实验细节】
3.3 残差中输入和输出形状不一致的解决方法：1、输入和输出上分别添加额外的0，2、做投影，以卷积为例，用1x1的卷积核解决，通道数变为2倍，步长也为2（图像高和宽都变为1/2）
3.4