深度学习中残差网络的结构有什么特点

跳跃连接：残差网络使用了跳跃连接，将输入与输出相加，将残差映射为恒等映射。这种设计可以使得网络更容易学习残差，从而加速收敛和提高性能。

残差块：残差网络的基本单元是残差块，每个残差块包含多个卷积层和跳跃连接。这种结构可以有效地学习不同层次的特征，并且降低了梯度消失的风险。

深度网络：残差网络可以构建非常深的网络，因为跳跃连接可以帮助梯度传播更容易地达到较深的层次，从而实现更好的性能。

非线性：残差网络中每个残差块都包含非线性激活函数，例如ReLU，用于增加网络的表达能力。

全局平均池化：在残差网络的末尾通常会使用全局平均池化层替代传统的全连接层，这可以减少参数数量，降低过拟合的风险，同时提高模型的泛化能力。