残差结构是指在深度学习神经网络中，将前一层的输出（即特征）与后一层的输出（即预测值）作差后，再将差值传给后续的层进行处理的一种结构。其作用如下：
1. 残差结构能够提高网络的学习效率。在传统的神经网络中，每一层的输出都是通过链式法则计算得出的，如果网络层数过多，梯度消失和梯度爆炸问题就会出现，导致学习效率下降，而残差结构的使用能够解决这个问题。
2. 残差结构可以提高网络的准确性。由于网络的深度增加，网络对于原始特征的表达能力会进一步增强，从而带来更好的分类性能。
3. 残差结构可以提高网络的鲁棒性。网络的深度增加会使得网络更加容易过拟合，而残差结构的引入可以使得网络在训练时更加健壮，避免过拟合。
