请提供一个详细的ResNet-50实现，并附上必要的代码注释，解释每个部分的功能和工作原理。

ResNet-50是一种深度残差网络（Residual Network），它是ImageNet图像识别挑战赛的关键贡献之一。这里是一个简单的ResNet-50的基本结构概述以及Python代码片段（基于Keras库）：

# 导入所需库
from keras.applications.resnet50 import ResNet50, preprocess_input
from keras.models import Model

# 加载预训练的ResNet50模型
base_model = ResNet50(weights='imagenet', include_top=False) # 'weights'参数指定了预训练权重

# 显示模型的输入和输出形状
print(base_model.input_shape)   # (None, 224, 224, 3)
print(base_model.output_shape)  # (None, 7, 7, 2048)

# 假设我们要在顶部添加一层全连接层来进行分类
x = base_model.output
x = GlobalAveragePooling2D()(x)     # 对特征图做全局平均池化，减少维度
x = Dense(1024, activation='relu')(x)  # 添加一个全连接层
predictions = Dense(num_classes, activation='softmax')(x) # num_classes是你想要的类别数，如1000

# 创建新的模型，保留ResNet50的前部并连接我们自己的顶部
model = Model(inputs=base_model.input, outputs=predictions)

# 需要冻结预训练模型的所有层，防止它们在训练过程中被更新
for layer in base_model.layers:
    layer.trainable = False

# 编译模型
model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy'])

# 这里省略了模型的训练过程，通常你会用fit()函数传入训练数据、标签和超参数