ResNet所解决的问题：
深度学习网络在网络深度过高的时候，很容易出现梯度消失的问题。而当梯度消失时（即损失函数求导为0时），权值将不再会更新，对于网络性能也不会再有改善。
而后ResNet被提出，它利用了一个非常简单的思路，通过跳过一些网络层，而直接连接至比较初始的层，从而实现缓解梯度消失的问题。
ResNet34结构
ResNet的主体网络结构是来自VGG-19改进：
而ResNet的提出使得网络层数可以变得很高，而不同深度的网络结构基本一致（ResNet18、34与ResNet50、101、152有略微的差别），只是网络层数不一样而已，其结构对应层数如论文中所述：
ResNet34结构可视化
ResNet34输入的图片为(224, 224, 3)（输入图片的长、输入图片的宽、输入通道（RGB）），整体结构如下图所示：
输入的图片为224*224尺寸的图片，然后先经过第一层卷积Conv1，降维处理：
接着再经过一次maxpool池化层，继续降维：
在图片从224→56时（缩小了4倍），开始进行ResNet处理，其中ResNet网络实现思想如下：
先进行一轮卷积核为kernal=3、padding=1、stride=1的卷积，输入输出保持不变：
然后继续重复这一结构，并且因为输入输出的维度保持不变，最后直接相加获得具有『深层网络』和『浅层网络』的特征输出：
ResNet34按照论文中，在Layer1中有3个这样的残差结构：
而在Layer1→Layer2的过程中，维度是从56→28，所应用在Layer2中的残差结构也是包含了一个降维的卷积过程：
而其中的Shortcut实现如下：
最终这一个含有降维的残差网络如下：
Layer2实现如下：
Layer3、Layer4和Layer2实现的方法一致：
接着后面需要再连接一个池化层，继续降维：
最后再经过全连接层+softmax获得各种物体的预测概率：
ResNet34结构就完成啦~！
