ResNet：identity 留下了什么

先找到那条没有绕路的路径

残差网络常被概括成“可以训练更深的网络”，但阅读实现时，更可靠的起点是下面三行：

identity = x
out = block(x)
out += identity

主分支计算 F(x)，identity 路径保留输入 x。两条路径汇合后得到 F(x) + x。这解释了数据在一个残差块里怎样流动，比先接受某个性能结论更具体。

相加比拼接多一个限制

Inception 常沿通道维拼接，ResNet 在这里做逐元素相加。逐元素相加要求两侧形状完全一致：批次、通道、高度和宽度都不能不同。

因此，阅读残差块时我会同时追踪两条路径：

main path:     x -> conv -> norm -> activation -> conv
identity path: x -> unchanged, or projection
merge:         main + identity

只看主分支容易漏掉真正的形状冲突。

尺寸变化时需要投影

当主分支使用 stride 缩小特征图，或改变输出通道数时，原始 x 不能直接相加。常见处理是在 identity 路径加入 1x1 卷积，并使用相同 stride：

if self.downsample is not None:
    identity = self.downsample(x)

out += identity

这个分支不是装饰。它负责把 identity 转换成与主分支相同的形状。

用断言替代猜测

调试残差块时，可以在相加前明确检查形状：

assert out.shape == identity.shape
out = out + identity

如果断言失败，问题通常不是“残差思想不工作”，而是 stride、通道数或投影分支的配置不一致。将错误缩小到相加位置，比等待完整训练报错更有效。

结构理解与实验结论分开

残差连接提供了一条直接的信息路径，也改变了梯度传播方式。具体准确率仍然受到数据划分、优化器、训练轮数和随机性影响。

因此我会把结论分成两层：代码能够证明 F(x) + x 的结构；训练曲线只能描述对应设置下观察到的验证表现。二者不能互相替代。