残差单元 (RU)

残差单元是深度神经网络（DNN）与卷积神经网络（CNN）架构中的关键设计模式，其核心思想是构建一个‘残差学习’（Residual Learning）任务。在深层网络中，直接学习从输入到输出的完整映射往往极其困难，导致梯度消失或爆炸。残差单元通过引入恒等映射（Identity Mapping），允许网络学习输入与目标之间的‘残差’（即差异部分），而非直接学习整个映射。这种机制使得网络可以轻松地忽略某些层，从而在保持深度的同时显著提升训练效率与模型精度，成为现代深度学习架构（如ResNet系列）的基石。

在现代计算架构与人工智能生态中，残差单元已超越了单纯的算法技巧，成为构建高性能深度模型的标准范式。它解决了传统深层网络在训练深层结构时的根本性瓶颈，使得构建数百甚至数千层的神经网络成为可能。从计算机视觉（CV）到自然语言处理（NLP），再到科学计算与强化学习，残差单元因其卓越的泛化能力和训练稳定性，被广泛应用于各类前沿任务。其生态地位体现在它不仅是ResNet等经典架构的核心，更是后续改进型网络（如ResNeXt, DenseNet）的演进起点，推动了深度学习从‘浅层堆叠’向‘深层结构化’的范式转移。