y = F ( x , Wi )+ x
对于相同的输出特征图尺寸，层具有相同数量的滤波器；（ ii ）如果特征图尺寸减半，则滤波器数量加倍，以便保持每层的时间复杂度。我们通过步长为 2 的卷积层直接执行下采样。网络以全局平均池化层和具有 softmax 的 1000 维全连接层结束
快捷连接仍然执行恒等映射，额外填充零输入以增加维度。此选项不会引入额外的参数；（ B ）方程（ 2 ）中的投影快捷连接用于匹配维度（由 1×1 卷积完成）。对于这两个选项，当快捷连接跨越两种尺寸的特征图时，它们执行时步长为 2 。
在每个卷积之后和激活之前，我们采用批量归一化（ BN ）
恒等和投影快捷连接
我们已经表明没有参数，恒等快捷连接有助于训练
。三种选项
a
零填充快捷连接用来增加维度，所有的快捷连接是没有参数的（与表
2
和图
4
右相同）；
(B)
投影快捷连接用来增加维度，其它的快捷连接是恒等的；（C）所有的快捷连接都是投影。
对于每个残差函数 F ，我们使用三层堆叠而不是两层。三层是 1×1 ， 3×3 和 1×1 卷积，其中 1×1 层负责减小然后增加（恢复）维度，使 3×3 层成为具有较小输入 / 输出维度的瓶颈。图 5 展示了一个示例，两个设计具有相似的时间复杂度。
当维度增加（图 3 中的虚线快捷连接）时，我们考虑两个选项：（ A ）快捷连接仍然执行恒等映射，额外填充零输入以增加维度。此选项不会引入额外的参数；（ B ）方程（ 2 ）中的投影快捷连接用于匹配维度（由 1×1 卷积完成）。对于这两个选项，当快捷连接跨越两种尺寸的特征图时，它们执行时步长为 2 。
无参数恒等快捷连接对于瓶颈架构尤为重要。如果 恒等快捷连接被投影替换，则可以显示出时间复杂度和模型大小加倍，因为快捷连接是连接到两个高维端。因此，恒等快捷连接可以为瓶颈设计得到更有效的模型。
这些响应每个 3×3 层的输出，在 BN 之后和其他非线性（ ReLU / 加法）之前。
这个 1202 层网络的测试结果比我们的 110 层网络的测试结果更差，虽然两者都具有类似的训练误差。我们认为这是因为过拟合。对于这种小型数据集， 1202 层网络可能是不必要的大
