معماري ResNet يك تحول در معماري هاي يادگيري عميق بود كه راهكاري براي افزايش تعداد لايه ها به اندازه بالا و حتي بيش از 100 لايه ارائه داد. شروع ايده اين معماري با اين مفهوم بود كه اگر يك شبكه عصبي 10 لايه به دقت x برسد پس يك شبكه عصبي 20 لايه نبايد به دقتي كمتر از x برسد چون در بدترين حالت 10 لايه ي اضافه شده فقط نقش identity mapping را مي توانند انجام دهند. يعني بدون تغيير در ميزان يادگيري فقط داده را به لايه بعد انتقال دهند. طراحان resnet معماري را طراحي كردند كه بر پايه بلاك هاي به شكل زير هست:
در اين معماري خروجي هر بلاك حاصل جمع خروجي بلاك قبلي و خروجي لايه هاي داخل اين بلاك هست. به اين هر لايه ي جديد فقط به بهتر شدن شبكه كمك خواهد كرد.
درفاز back propagation هم بخاطر اينكه گراديان در عمل جمع كردن قابل پخش هست , گراديان به خوبي درلايه هاي شبكه هاي خيلي عميق منتشر شده و مشكل vanishing gradient تا زيادي حل مي شود.
به همين دلايل معماري ResNet به نتايج خوبي رسيد و خيلي زود هم معروف و متداول شد.