写出ResNet34

ResNet（_residual network）是深度残差网络的缩写，由Kaiming He等人在2015年提出的一种非常成功的卷积神经网络架构，尤其是ResNet34版本。它是ImageNet比赛中的获胜模型之一，极大地推动了计算机视觉领域的进展。ResNet的核心思想是在深层网络中引入残差块（residual blocks），解决了深度学习中训练过程中的梯度消失和过拟合问题。

ResNet34的具体结构如下：

1. **输入层**：接受图像作为输入，通常为RGB颜色空间下的3通道图像，尺寸为224x224或其他预定义大小。

2. **基础块**：ResNet34由多个“残差块”组成，每个块包括两个3x3的卷积层、批归一化层和ReLU激活函数。这些块按照堆叠的方式逐层递增深度。

3. **瓶颈模块**：在某些深度较大的ResNet版本中，可能会包含瓶颈模块，其中第一个3x3卷积会有一个较小的滤波器数，然后将特征图展平，再通过一个1x1的卷积恢复原始维度，这样可以节省计算资源并保持信息流动。

4. **残差连接**：这是ResNet的主要创新点，每一层都与前一层进行了直接的连接，即使在网络深入时，也能让信息轻易地“跳跃”过去，简化了优化过程。

5. **全局平均池化**：网络的最后一部分通常是全局平均池化层，用于减少特征图的维度，生成固定长度的向量表示。

6. **全连接层**：接着是1个或多个全连接层，进行分类预测，输出对应类别的概率值。

7. **Softmax层**：对最终的输出进行softmax函数处理，得到各个类别的概率分布。