残差块中Add层必须用函数式API的Add()而非Sequential或+运算符，因Add需双输入且+无法序列化；跳跃连接需与主路径尺寸对齐，下采样时两路均须Conv2D同步降维；BN位置影响梯度流，Pre-activation结构更稳定。
残差块里 Add 层必须用函数式API，不能用 Sequential
因为 Add 需要同时接收两个张量（主路径 + 跳跃连接），而 Sequential 只能串行处理单个输入。强行塞进去会报 ValueError: Input 0 is incompatible with layer。
实操建议：
- 始终从
Input开始构建分支，别在中间突然切到Sequential - 跳跃连接那一路如果尺寸不匹配（比如下采样后通道数翻倍），必须加
Conv2D或Conv1D做升维，不能只靠BatchNormalization - 常见错误是忘记对跳跃连接做
strides=(2, 2)同步下采样，导致Add时 shape 不一致，报错信息通常是incompatible shapes
tf.keras.layers.Add 和直接用 + 运算符有区别吗
有。直接写 x + shortcut 在函数式 API 中看似可行，但会导致模型保存、加载或部署时报错 —— 因为这种写法绕过了 Keras 的层注册机制，model.save() 时无法序列化该操作。
实操建议：
- 一律用
Add()([x, shortcut])，哪怕只是两个张量相加 - 不要图省事写
x = x + shortcut，尤其在构建可复用的残差块函数里 - 如果想让代码更紧凑，可以封装成小函数，但内部仍调用
Add层，不是运算符
残差块中 BatchNormalization 的位置：放在卷积前还是后
标准 ResNet 是「卷积 → BN → ReLU」，但如果你把 BN 放在卷积前（Pre-activation），跳跃连接就该接在 BN 之后、ReLU 之前 —— 否则梯度流会被 ReLU 截断，影响训练稳定性。
实操建议：
- 初学者建议严格按 ResNetv2 的 Pre-activation 结构：先
BN→ReLU→Conv2D，跳跃连接从输入直接引出 - 注意 Pre-activation 下，第一个
Conv2D的use_bias=False更安全（BN 已带偏置） - 不同结构对初始化敏感：Pre-activation 推荐用
he_normal，且残差块末尾的Add后通常不加激活（留给后续块处理）
自定义残差块函数里，怎么安全处理 stride=2 的下采样
关键不是“怎么下采样”，而是“两路怎么对齐”。主路径用 strides=(2, 2) 的卷积下采样，跳跃连接那路也得同步降维，否则 Add 直接失败。
实操建议：
- 跳跃连接分支必须显式加一层
Conv2D(filters, 1, strides=2, use_bias=False)，不能只靠AveragePooling2D - 如果用
AveragePooling2D+Conv2D组合，注意 pooling 后 feature map 尺寸可能因 padding 行为和卷积不一致（比如padding='valid'vs'same'） - 最稳方案：跳跃连接统一走
Conv2D升维+下采样，主路径也保持相同strides和padding设置
残差结构看着简单，真正卡住人的往往不是加法本身，而是两路 tensor 的 shape、dtype、甚至 batch 维度在某一层悄悄不一致 —— 多打几次 print(x.shape) 比死磕文档管用。
