بعد از موفقیت AlexNet و VGG، همه فهمیدن شبکه‌های عمیق‌تر نتایج بهتری میدن. اما یه مشکل بزرگ وجود داشت: هرچی لایه بیشتر می‌شد، آموزش سخت‌تر می‌شد. حتی بعضی وقتا شبکه عمیق‌تر از شبکه کم‌عمق‌تر بدتر عمل می‌کرد! 🤯
🧩 مشکل شبکه‌های خیلی عمیق
گرادیان‌ها (مقدار خطا برای یادگیری) توی مسیر عقب‌گرد تو لایه‌های زیاد کم‌کم محو می‌شدن. به این مشکل می‌گن vanishing gradient. یعنی شبکه عملاً چیزی یاد نمی‌گرفت.✨ ترفند ResNet
سال ۲۰۱۵، محقق‌های مایکروسافت یه ایده ساده ولی انقلابی دادن: skip connection.🔥 چرا مهم بود؟
یعنی بعضی لایه‌ها می‌تونن خروجی خودشون رو مستقیم به لایه‌های جلوتر وصل کنن. این باعث شد گرادیان راحت‌تر جریان پیدا کنه و آموزش حتی تو شبکه‌های ۱۵۰ لایه‌ای هم ممکن بشه.
✅ معماری ResNet قهرمان مسابقه ImageNet شد📌 مرجع تخصصی هوش مصنوعی و علم داده
✅ آموزش شبکه‌های «خیلی عمیق» ممکن شد
✅ این ایده هنوز توی همه مدل‌های مدرن (از بینایی تا زبان) استفاده میشه
معماری ResNet ثابت کرد که گاهی یه میانبر ساده می‌تونه مسیر رو برای کل دنیای هوش مصنوعی عوض کنه. 🚀
🤖 دیتایاد / datayad@