为了提升ResNet34网络模型的性能，采用预训练权重，kaiming初始化，xavier初始化；。为什么预训练权重表现最好，kaiming初始化和xavier初始化使得模型性能降低呢？

预训练权重表现最好的原因是因为预训练权重已经在大规模数据集上进行了训练，因此其包含的特征比随机初始化的权重更加丰富、更加有用，可以加速模型的收敛，并且能够提高模型的泛化性能。

而对于kaiming初始化和xavier初始化，其适用的模型和数据分布是有限制的。kaiming初始化适用于具有ReLU激活函数的深层网络，如果网络结构不同，激活函数不同，那么kaiming初始化的效果就不如预训练权重好。xavier初始化适用于激活函数为tanh或sigmoid函数的浅层网络，对于深层网络则存在梯度消失或梯度爆炸的问题，导致模型性能下降。

因此，选择合适的初始化方式需要结合具体的网络结构、激活函数和数据分布等因素进行考虑，而预训练权重则是一种通用的方法，适用于各种网络结构和数据分布。