再上一偏博文中我们说到越复杂的问题需要越深层的神经网络拟合，但是越深层的神经网络越难训练，原因可能是过拟合以及损失函数的局部最优解过多（鞍点过多？导致经过相同的epoch更深的网络的trainerror大于较浅的网络，因为过鞍点需要更多的epoch，鞍点附近梯度很小，相关文献The Loss Surfaces of Multilayer Networks）导致模型更容易收敛到局部最优解。上一篇博文讲到可以把复杂问题分解成几个较简单的问题，然后分别训练几个较简单的模型，最后讲几个模型的输出连接起来送入FC层分类。
Resnet采用了另一种方法，也就是不分解原问题，而是把神经网络分解来降低拟合函数的复杂度，而损失函数是拟合函数的函数，所以降低拟合函数的复杂度也等同于降低了损失函数的复杂度。假设我们需要拟合的复杂函数为H(x),现在我们把H(x)分解为两个更简单的函数f(x)和g(x),即令H(x) = f(x) + g(x)。（Resnet不考虑过拟合）此处f(x)函数的结构和H(x)其实是一致的，都是几层卷积池化加上最后的fc层，但是因为有g(x)的加入使得f(x)的复杂度小于H(x).具体如下图所示：

由于我们并不知道什么样的g(x)最好，所以这里g(x)也需要训练，而一个三层的神经网络可以拟合连续闭区间上的任意函数，我们用一个三层的神经网络代替g(x)，但是这样又会因为增加了额外的参数造成过拟合的风险，我们看到图中有两个三层的神经网络，我们可以把它们合并起来，所以一个更好的方法如下：

这样一来由于fc层的输入增加为了维持表达能力，fc层的隐层单元势必要增加，这样还是增加了参数，所以Resnet又做了调整：