ディープラーニングの歴史の中で、画像認識技術を大きく前進させたモデルの一つが**ResNet（Residual Network：残差ネットワーク）**です。
ResNetは、ニューラルネットワークをさらに深くできる仕組みを実現し、「層を増やすと学習が難しくなる」という長年の課題を解決しました。
現在では画像認識だけでなく、自然言語処理や生成AIなど幅広い分野に影響を与えています。
本記事では、ResNetの基本概念、勾配消失問題との関係、特徴的なスキップ接続の仕組み、そしてAI分野への影響までわかりやすく解説します。
ResNetとは何か
ResNetとは、2015年に提案された深層学習モデルで、非常に深いニューラルネットワークの学習を可能にしたCNN（畳み込みニューラルネットワーク）です。
従来のモデルでは、「層を増やせば性能が上がる」と考えられていました。
しかし実際には、ある深さを超えると学習効率が悪化する問題がありました。
ResNetは、この課題を解決するために「残差学習（Residual Learning）」という新しい考え方を導入しました。
深いネットワークで起こる「勾配消失問題」
ResNetを理解するには、まず「勾配消失問題」を知る必要があります。
ニューラルネットワークでは、学習時に予測結果と正解との差をもとに誤差を逆方向へ伝播させます。
このとき各層を通過するたびに誤差情報（勾配）が少しずつ小さくなることがあります。
これが勾配消失問題です。
問題が起きると以下の状態になります。
- 初期層まで学習情報が届かない
- 重み更新が止まる
- 深いネットワークほど性能が落ちる
その結果、「層を増やしても性能が向上しない」という現象が起こります。
ResNet最大の特徴「スキップ接続」
ResNetでは、この問題を解決するために**スキップ接続（Skip Connection）**を導入しました。
通常のニューラルネットワークでは情報は順番に層を通ります。
入力 → 層1 → 層2 → 層3 → 出力一方ResNetでは、途中を飛び越える経路を追加します。
入力 → 層1 → 層2 → 出力
└────────→この「近道」のような経路によって、情報や勾配が直接伝わるようになります。
残差学習とは何か
ResNetでは、モデル全体が入力そのものを学習するのではなく、「差分（残差）」だけを学習します。
残差の考え方は以下のように表現されます。
ここで、
- H(x)：最終的に欲しい出力
- F(x)：学習対象の残差部分
- x：入力データ
つまり「入力に少しだけ補正を加える」という発想です。
これにより、モデルは学習すべき内容を単純化できます。
残差ブロックの仕組み
ResNetは「残差ブロック」と呼ばれる単位を積み重ねて構成されます。
1つのブロックには以下があります。
- 通常の畳み込み層
- 活性化関数
- スキップ接続
最後に両者を加算します。
この構造によって、
- 情報伝達が改善
- 勾配減衰の抑制
- 深層化の実現
が可能になりました。
ResNetはどれくらい深いのか
ResNetには複数のバリエーションがあります。
代表例：
- ResNet-18
- ResNet-34
- ResNet-50
- ResNet-101
- ResNet-152
数字は層数を表しています。
従来のCNNでは数十層でも学習が困難でしたが、ResNetは100層を超える深い構造でも高性能を実現しました。
これは当時として非常に大きな進歩でした。
ResNetがAI業界に与えた影響
ResNetは画像認識だけでなく、現在のAI技術全体に大きな影響を与えています。
活用例：
画像認識
- 顔認識
- 医療画像解析
- 自動運転
自然言語処理
- 大規模言語モデル
- 翻訳モデル
強化学習
- ゲームAI
- ロボット制御
スキップ接続の考え方は、多くのAIモデルで標準技術になっています。
ResNetの思想はTransformerにも受け継がれている
現在の生成AIや大規模言語モデルではTransformerが主流です。
実はTransformer内部にも、ResNetと同じ残差接続が使われています。
そのためResNetは単なる画像認識モデルではなく、現在のAIアーキテクチャ全体に影響を与えた存在といえます。
ResNetの課題
ResNetにもいくつかの課題があります。
モデルが大規模化しやすい
深層化できる一方で、層数が増えると計算量も増えます。
学習コストが高い
大量データとGPU環境が必要になるケースがあります。
後継モデルの登場
ResNet以降、
- DenseNet
- EfficientNet
- Vision Transformer（ViT）
など、さらに効率的なモデルが登場しています。
しかし基礎技術としての重要性は現在も変わっていません。
まとめ
ResNet（Residual Network）は、勾配消失問題を解決し、超深層ニューラルネットワークを実現した画期的なモデルです。
スキップ接続と残差学習によって、従来では困難だった100層を超えるネットワークの学習が可能になりました。
現在では画像認識にとどまらず、Transformerや生成AIにも思想が受け継がれています。
ディープラーニングを学ぶ上で、ResNetは今なお欠かせない重要技術の一つです。
こちらもご覧ください：GoogLeNet（Inception v1）とは？特徴・仕組み・VGGとの違いをわかりやすく解説
