resnet34框架

ResNet34是一种深度残差网络（Residual Networks，简称ResNet）的架构，是ResNet系列中的一种。该架构在2015年由微软研究院的Kaiming He等人提出，并在ImageNet和COCO竞赛中取得了突破性的成绩。ResNet34的主要贡献在于解决了深度神经网络训练过程中的梯度消失和梯度爆炸问题，允许网络架构变得更加深邃，而性能不会下降。

ResNet34网络的基本思想是引入了“残差学习”的概念，即网络中的某些层可以学习输入数据的残差映射，而不是直接拟合所需的功能映射。这通过在网络中引入“捷径”（或称为跳跃连接）来实现，这些捷径允许信号直接跳过一层或几层，直接传递到更深的层。这样的结构有助于训练过程中梯度的稳定流动，允许训练更深的网络。

ResNet34包含34个训练层，由多个残差块（residual blocks）组成，每个残差块内部包含两到三个卷积层。这些残差块被组织成多个阶段，每个阶段的卷积层的特征图尺寸保持不变，而通道数则逐阶段增加。每个残差块内部的卷积层使用了批量归一化（Batch Normalization）和ReLU激活函数。最后通过全局平均池化层（Global Average Pooling）和全连接层输出最终的分类结果。

ResNet34在深度学习领域得到了广泛的应用，特别是在图像识别、图像分类等任务中。由于其实现了更深的网络结构，ResNet34相较于以前的网络架构如AlexNet、VGG等，在保持计算复杂度相近的情况下，可以实现更高的准确度。