请写出以ResNet34网络为模型进行花卉分类实验，采用training tricks进行提升的实验设计

实验设计如下：

1. 数据集准备：使用公开的花卉分类数据集，将其划分为训练集、验证集和测试集。

2. 模型搭建：使用 PyTorch 框架构建 ResNet34 网络，并将其应用于花卉分类任务中。在最后一层全连接层输出的基础上添加一个 softmax 函数，以计算每个类别的概率分布。

3. 数据预处理：对图像进行预处理操作，如随机裁剪、水平翻转、归一化等，以增强模型的泛化能力。

4. 训练策略：为了提高模型的准确率，采用以下训练策略：

- 学习率调整：使用学习率调整策略，如 StepLR 或 CosineAnnealingLR，以防止模型过拟合。
- 数据增强：在训练数据中进行数据增强，如随机裁剪、水平翻转等，以增强模型的泛化能力。
- 正则化：使用 L2 正则化或 Dropout 技术，以防止模型过拟合。

5. 模型评估：使用验证集对模型进行评估，计算模型的准确率、精确率、召回率和 F1 值等指标。

6. 模型测试：使用测试集对模型进行测试，并计算模型的准确率和其他指标。

7. 模型优化：根据验证集的结果，对模型进行优化，如调整学习率、增加迭代次数等。

总之，通过以上训练策略和模型优化方法，可以提高 ResNet34 网络在花卉分类任务中的准确率和泛化能力。