给出resnet50的所有层信息

ResNet50是由多个卷积层、池化层、全连接层和归一化层组成的深度卷积神经网络模型。其具体的层信息如下：

1. 输入层：224x224x3的图像数据

2. 卷积层：7x7大小，步长为2，可训练参数为64个，不使用零填充，输出特征图为112x112x64

3. 归一化层：对卷积层输出的每个通道进行归一化

4. 激活层：ReLU激活函数

5. 池化层：3x3大小，步长为2，不使用零填充，输出特征图为56x56x64

6. 残差块1：包括3个卷积层，每个卷积层之间使用了归一化层和激活层。其中第一个卷积层的大小为1x1，可训练参数为64个；第二个卷积层的大小为3x3，可训练参数为64个；第三个卷积层的大小为1x1，可训练参数为256个。最后将输入的特征图与卷积输出的特征图相加，再经过一次ReLU激活函数，输出特征图为56x56x256。

7. 残差块2：与残差块1相似，包括3个卷积层，每个卷积层之间使用了归一化层和激活层。其中第一个卷积层的大小为1x1，可训练参数为128个；第二个卷积层的大小为3x3，可训练参数为128个；第三个卷积层的大小为1x1，可训练参数为512个。最后将输入的特征图与卷积输出的特征图相加，再经过一次ReLU激活函数，输出特征图为28x28x512。

8. 残差块3：与残差块2相似，包括3个卷积层，每个卷积层之间使用了归一化层和激活层。其中第一个卷积层的大小为1x1，可训练参数为256个；第二个卷积层的大小为3x3，可训练参数为256个；第三个卷积层的大小为1x1，可训练参数为1024个。最后将输入的特征图与卷积输出的特征图相加，再经过一次ReLU激活函数，输出特征图为14x14x1024。

9. 残差块4：与残差块3相似，包括3个卷积层，每个卷积层之间使用了归一化层和激活层。其中第一个卷积层的大小为1x1，可训练参数为512个；第二个卷积层的大小为3x3，可训练参数为512个；第三个卷积层的大小为1x1，可训练参数为2048个。最后将输入的特征图与卷积输出的特征图相加，再经过一次ReLU激活函数，输出特征图为7x7x2048。

10. 平均池化层：对输出特征图进行全局平均池化，输出大小为1x1x2048。

11. 全连接层：输入大小为2048，输出大小为1000（对应ImageNet数据集的1000个类别），可训练参数为2048000个。

12. Softmax层：将全连接层的输出进行Softmax归一化，得到每个类别的概率。

整个ResNet50网络模型共有50层（包括卷积层、池化层、全连接层、归一化层和激活层），其中包括了16个残差块。