何为残差网络？
为什么使用残差结构之后的深度学习网络深度跳跃式？
理解：
原来的网络网络映射的方式是：
z= Z(x)
在实际过程中不加入残差网络的话，网络的深度在达到一定深度后会出现degradation问题，也就是说误差会随着深度增加而增大，这就麻烦了！
（1）先考虑如何加深网络而不导致error增加？
在理论下，如果后面增加的网络映射是 z = x的自身映射，那么增加就不会导致网络的误差增加，这样看没有意义？不
于是就带来了这样的想法：
z = x+F(x);x成为shortcut
假定自身映射是增加的深度网络最优结果，那么，网络至少不会增加原有的网络的训练准确度，于是就考虑让网络学习优化，努力使优化结构取向于自身映射，即F(x)趋于0.
（2）这里面有个理解盲区，为什么不直接让网络优化到在z = x,而非要加一个“shortcut”
首先，实验证明直接增加深度不可行，其次，网络的学习不可控，我们所使用的深度残差网络结构的前提是假定自身映射是最优化，而深度学习网络不知道啊，所以这个网络的优化方向我们根本不知道，或许它永远也找不到目前人们所假定的自身映射呢？或者能找到优化的映射，但是后者已经证明现在这种粗暴的直接添加的方式不可能实现。
于是，网络太笨，没关系，我人工来帮你订立一个标准，就是自身映射，而网络需要学习的就是怎么把F(x)优化到趋于0，相当于给网络增加了一个约束，深度学习的过程中，已经订立了自身映射这个基准，所有的学习都围绕这个基准来，带来的好处就是：
网络总是会趋于最优化的解，而这个最优化是围绕自身映射来的，增加网络深度就不会带来degradation问题，因为优化的迭代会让网络层最差也是不优化，而不会带来更大误差，最差劲也是无限趋近与自身映射，而永远达不到自身映射，这过程中网络会学习到扰动，这种扰动就会使网络能向更好的方向优化，于此，残差网络成为了利器！
