---
id: DL-RESNET-001
category: Dev
confidence_score: 1.0
tags: [ai, [[Deep-Learning|Deep-Learning]], resnet, residual-learning, skip-connection, neural-[[Architecture|Architecture]], [[Computer-Vision|Computer-Vision]]]
last_reinforced: 2026-04-26
---

# Residual Networks (ResNet, 잔차 네트워크)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "기존 지식(Input)을 출력에 그대로 더하는 '지능의 고속도로(Skip Connection)'를 건설하여, 신경망의 깊이가 성능의 족쇄가 아닌 엔진이 되게 하라" — 층이 깊어질수록 학습 성능이 오히려 떨어지는 퇴화(Degradation) 문제를 해결하기 위해 잔차 학습(Residual Learning) 개념을 도입한 획기적인 신경망 아키텍처.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "identity Mapping and Gradient Propagation" — 모델이 복잡한 매핑($H(x)$)을 직접 배우는 대신, 입력 대비 변화량($F(x) = H(x) - x$)인 잔차만을 배우게 하고 입력값($x$)은 그대로 전달(Shortcut)하여 깊은 층에서도 기울기 소실을 방지하는 패턴.
- **핵심 혁신:**
    - **Skip Connections:** 층과 층 사이를 건너뛰는 연결로 그래디언트의 원활한 역전파 보장.
    - **Residual Block:** 입력을 그대로 보존하는 항등 매핑(Identity Mapping) 구조.
    - **Architecture Depth:** 18층에서 시작해 152층 이상의 극단적으로 깊은 네트워크 학습 가능.
- **의의:** ILSVRC 2015 우승을 기점으로 딥러닝 아키텍처 설계의 패러다임을 바꿨으며, 현재는 트랜스포머를 포함한 거의 모든 현대 신경망의 필수 요소로 자리 잡음.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 층이 깊을수록 무조건 좋다는 맹신에서 벗어나, 이제는 스킵 연결이 사실상 얕은 네트워크들의 앙상블 효과를 낸다는 해석이 힘을 얻고 있으며, 이를 통해 네트워크의 유효 깊이(Effective Depth)를 관리하는 방향으로 발전함.
- **정책 변화:** Antigravity 프로젝트는 비전 및 오디오 인식 모델의 백본(Backbone) 설계 시, 학습 안정성과 성능이 검증된 ResNet 계열 아키텍처를 최우선 베이스라인으로 활용함.

## 🔗 지식 연결 (Graph)
- [[ResNet-Architectures|ResNet-Architectures]], Deep-Learning-Foundations, [[Backpropagation|Backpropagation]]-Foundations, [[ReLU-Activation-Functions|ReLU-Activation-Functions]]
- **Raw Source:** 10_Wiki/Topics/AI/Residual-Networks.md