---
id: DL-RES-ARCH-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [ai, deep-learning, resnet, neural-architecture, computer-vision, bottleneck-layer, model-design]
last_reinforced: 2026-04-26
---

# ResNet Architectures (ResNet 아키텍처)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "작은 망(18, 34)은 정직한 결합(Basic Block)으로, 거대한 망(50, 101, 152)은 압축된 결합(Bottleneck)으로 설계하여 성능과 연산 효율의 정교한 밸런스를 달성하라" — 잔차 학습 원리를 바탕으로 층의 깊이와 복잡도를 체계적으로 설계한 ResNet 시리즈의 구체적 명세와 변형 모델들.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Structural Scaling and Resource Optimization" — 얕은 층에서는 연산 성능을 위해 단순한 2층 구조를 사용하고, 깊은 층에서는 연산 비용을 줄이기 위해 $1 \times 1$ 컨볼루션을 활용한 3층 보틀넥 구조를 채택하여 전체 파라미터 수를 관리하는 패턴.
- **주요 아키텍처 명세:**
    - **ResNet-18 / 34:** Basic Block ($3 \times 3$ Conv 위주) 사용. 중소규모 데이터셋에 적합.
    - **ResNet-50 / 101 / 152:** Bottleneck Block ($1 \times 1, 3 \times 3, 1 \times 1$ Conv) 사용. 대규모 데이터셋과 복잡한 특징 추출에 강점.
    - **Wide ResNet:** 깊이 대신 너비(Channel)를 키워 성능 향상.
    - **ResNeXt:** 그룹 컨볼루션(Grouped Conv)을 도입하여 '기수(Cardinality)'라는 새로운 차원의 확장 제시.
- **의의:** 정형화된 아키텍처 설계 공식을 제공함으로써 연구자와 엔지니어들이 각자의 하드웨어 자원과 문제 난이도에 맞는 최적의 모델을 손쉽게 선택할 수 있게 함.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 단순히 레이어를 쌓기만 하면 성능이 좋아진다는 초기 기대와 달리, 일정 깊이 이상에서는 모델의 너비나 기수를 키우는 것이 하드웨어 효율과 정확도 측면에서 더 유리하다는 사실이 밝혀지며 모델 설계 트렌드가 변화함.
- **정책 변화:** Antigravity 프로젝트는 비전 서비스의 요구 성능에 따라 엣지 기기용(ResNet-18)부터 고성능 서버용(ResNet-101/152)까지 최적화된 아키텍처 프리셋을 제공함.

## 🔗 지식 연결 (Graph)
- [[Residual-Networks|Residual-Networks]], Deep-Learning-Foundations, Convolutional-Neural-Networks-CNN, Model-Compression-and-Deployment
- **Raw Source:** 10_Wiki/Topics/AI/ResNet-Architectures.md