在深度学习中，“bottleneck”（瓶颈）指的是一种网络模块或设计，主要用于减少计算量和参数数量，从而提高模型的性能和效率。这种设计最早出现在ResNet（Residual Network）中，特别是在ResNet v2中广泛应用。
具体来说，瓶颈设计是在ResNet中用于替代传统的简单卷积层。传统的卷积层在每个位置上应用一组较大的滤波器（比如3x3或5x5），以获取局部特征。但是这样的卷积层有时可能会产生过多的计算和参数，尤其是在深层网络中，会导致训练过程缓慢，容易出现梯度消失或爆炸等问题。
瓶颈设计的思想是引入一个瓶颈层，它由一系列不同大小的滤波器组成，通常是1x1、3x3和1x1的卷积层序列。这个序列首先用1x1的卷积核进行降维，然后使用3x3的卷积核进行特征提取，最后再用1x1的卷积核进行升维。这样的设计可以有效地减少特征图的维度，从而减少计算量和参数数量。此外，1x1的卷积层还可以用来引入非线性变换。
瓶颈设计的名称"bottleneck"（瓶颈）来自于它的结构，因为在特征图经过1x1的卷积核降维后，其通道数被显著地减小，形象地类似于瓶颈的形状。这样的结构使得模型在保持性能的同时，能够更高效地进行训练和推理，尤其在深层网络中体现明显。
——来自ChatGPT