核心内容摘要
融合大语言模型，让Burp Suite漏洞挖掘更智能
背景与动机
1 深度神经网络的“退化”问题在 ResNet 提出之前（2015 年前），人们普遍认为更深的卷积神经网络（CNN）能带来更强的表达能力，从而提升性能。
然而，实验发现：当网络层数增加到一定程度（如 20 层以上），训练误差反而上升；这并非由过拟合引起（因为训练误差本身变大），而是优化困难导致的，称为网络退化（Degradation Problem）。
注意：退化 ≠ 过拟合。
过拟合是训练误差低但验证误差高；退化是训练误差本身就高。
2 梯度消失/爆炸问题虽然 Batch Normalization（BN）等技术缓解了梯度消失问题，但即使使用 BN，极深网络仍难以有效训练。
这表明退化问题的本质不仅是梯度问题，更涉及优化路径的复杂性。
ResNet 的核心思想：残差学习（Residual Learning）
1 基本理念传统网络试图让堆叠层直接拟合目标映射 $ H(x) $。
ResNet 则重新参数化这一过程：让网络学习残差函数$ F(x)