网店网站建设规划方案,国际网站怎么注册免费的,网站建设与维护方式,翻译建设企业网站VGG16是由牛津大学视觉几何组#xff08;Visual Geometry Group#xff09;提出的一种深度卷积神经网络模型。 VGGNet 探索了卷积神经网络的深度与其性能之间的关系#xff0c;成功地构筑了 16~19 层深的卷积神经网络#xff0c;同时拓展性又很强#xff0c;迁移到其它图片… VGG16是由牛津大学视觉几何组Visual Geometry Group提出的一种深度卷积神经网络模型。 VGGNet 探索了卷积神经网络的深度与其性能之间的关系成功地构筑了 16~19 层深的卷积神经网络同时拓展性又很强迁移到其它图片数据上的泛化性也非常好。到目前为止VGG 仍然被用来提取图像特征。 对VGGNet的介绍这篇文章很优秀大话CNN经典模型VGGNet - OSCHINA - 中文开源技术交流社区 部分摘抄 VGGNet的网络结构 下图是来自论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》基于甚深层卷积网络的大规模图像识别的 VGG 网络结构正是在这篇论文中提出了 VGG如下图 在这篇论文中分别使用了 A、A-LRN、B、C、D、E 这 6 种网络结构进行测试这 6 种网络结构相似都是由 5 层卷积层、3 层全连接层组成其中区别在于每个卷积层的子层数量不同从 A 至 E 依次增加子层数量从 1 到 4总的网络深度从 11 层到 19 层添加的层以粗体显示表格中的卷积层参数表示为 “conv〈感受野大小〉- 通道数〉”例如 con3-128表示使用 3x3 的卷积核通道数为 128。为了简洁起见在表格中不显示 ReLU 激活功能。 其中网络结构 D 就是著名的 VGG16网络结构 E 就是著名的 VGG19。 以网络结构 DVGG16为例介绍其处理过程如下请对比上面的表格和下方这张图留意图中的数字变化有助于理解 VGG16 的处理过程 1 、输入 224x224x3 的图片经 64 个 3x3 的卷积核作两次卷积 ReLU卷积后的尺寸变为 224x224x64 2、作 max pooling最大化池化池化单元尺寸为 2x2效果为图像尺寸减半池化后的尺寸变为 112x112x64 3、经 128 个 3x3 的卷积核作两次卷积 ReLU尺寸变为 112x112x128 4、作 2x2 的 max pooling 池化尺寸变为 56x56x128 5、经 256 个 3x3 的卷积核作三次卷积 ReLU尺寸变为 56x56x256 6、作 2x2 的 max pooling 池化尺寸变为 28x28x256 7、经 512 个 3x3 的卷积核作三次卷积 ReLU尺寸变为 28x28x512 8、作 2x2 的 max pooling 池化尺寸变为 14x14x512 9、经 512 个 3x3 的卷积核作三次卷积 ReLU尺寸变为 14x14x512 10、作 2x2 的 max pooling 池化尺寸变为 7x7x512 11、与两层 1x1x4096一层 1x1x1000 进行全连接 ReLU共三层 12、通过 softmax 输出 1000 个预测结果
其简化图如下以 VGG16 为例 代码实现新建vggNet.py
import torch
import torch.nn as nn
import torch.nn.functional as Fclass VGGbase(nn.Module):def __init__(self, num_classes10):super(VGGbase, self).__init__()self.conv1 nn.Sequential( # 定义第1个卷积层# Sequential 是一个容器它可以包含一系列的神经网络层layers并按顺序执行它们。具体来说# nn.Sequential( 允许您将多个层定义为一个整体这个整体可以被视为一个单独的层。# 当您向神经网络传递数据时数据会依次通过 Sequential 中定义的每一层。# 这种方式简化了网络结构的定义和理解尤其是在构建较为复杂的网络时。nn.Conv2d(3, 64, kernel_size3, stride1, padding1), # 输入通道为3输出通道为64卷积核大小为3x3步长为1填充为1nn.BatchNorm2d(64), # 批量归一化# nn.BatchNorm2d 表示对二维输入进行批量归一化参数 64 通常代表输入特征的通道数。批量归一化的作用是在神经网络训练过程中对每一批次的数据进行归一化处理# 使得数据的分布更加稳定有助于加速训练过程、提高模型的泛化能力。nn.ReLU() # 激活函数)self.pool1 nn.MaxPool2d(kernel_size2, stride2) # 最大池化池化核大小为2x2步长为2# 经过第一层卷积后图像的尺寸为 16x16通道数为64self.conv2_1 nn.Sequential( # 定义第2个卷积层的第一次卷积nn.Conv2d(64, 128, kernel_size3, stride1, padding1), # 输入通道为64输出通道为128卷积核大小为3x3步长为1填充为1nn.BatchNorm2d(128), # 批量归一化nn.ReLU() # 激活函数)self.conv2_2 nn.Sequential( # 定义第2个卷积层的第二次卷积nn.Conv2d(128, 128, kernel_size3, stride1, padding1), # 输入通道为64输出通道为128卷积核大小为3x3步长为1填充为1nn.BatchNorm2d(128), # 批量归一化nn.ReLU() # 激活函数)self.pool2 nn.MaxPool2d(kernel_size2, stride2) # 最大池化池化核大小为2x2步长为2# 经过第二层卷积后图像的尺寸为 8x8通道数为128self.conv3_1 nn.Sequential( # 定义第3个卷积层的第一次卷积nn.Conv2d(128, 256, kernel_size3, stride1, padding1), # 输入通道为64输出通道为128卷积核大小为3x3步长为1填充为1nn.BatchNorm2d(256), # 批量归一化nn.ReLU() # 激活函数)self.conv3_2 nn.Sequential( # 定义第3个卷积层的第二次卷积nn.Conv2d(256, 256, kernel_size3, stride1, padding1),nn.BatchNorm2d(256), # 批量归一化nn.ReLU() # 激活函数)self.pool3 nn.MaxPool2d(kernel_size2, stride2)# 经过第三层卷积后图像的尺寸为 4x4通道数为256self.conv4_1 nn.Sequential( # 定义第4个卷积层的第一次卷积nn.Conv2d(256, 512, kernel_size3, stride1, padding1),nn.BatchNorm2d(512), # 批量归一化nn.ReLU() # 激活函数)self.conv4_2 nn.Sequential( # 定义第4个卷积层的第二次卷积nn.Conv2d(512, 512, kernel_size3, stride1, padding1),nn.BatchNorm2d(512), # 批量归一化nn.ReLU() # 激活函数)self.pool4 nn.MaxPool2d(kernel_size2, stride2) # 最大池化池化核大小为2x2步长为2# 经过第四层卷积后图像的尺寸为 2x2通道数为512self.fc nn.Linear(512 * 4, num_classes) # 全连接层输入为512*4输出为10def forward(self, x): # 定义前向传播过程batch_size x.size(0) # 获取输入的batch_sizex self.conv1(x) # 第1个卷积层x self.pool1(x) # 第1个池化层x self.conv2_1(x) # 第2个卷积层x self.conv2_2(x) # 第2个卷积层x self.pool2(x) # 第2个池化层x self.conv3_1(x) # 第3个卷积层x self.conv3_2(x) # 第3个卷积层x self.pool3(x) # 第3个池化层x self.conv4_1(x) # 第4个卷积层x self.conv4_2(x) # 第4个卷积层x self.pool4(x) # 第4个池化层x x.view(batch_size, -1) # 将图片展开成一行-1表示自动计算这一维的大小x self.fc(x) # 全连接层output F.log_softmax(x, dim1) # 对输出进行log_softmax处理return outputdef VGGNet(): # 定义网络结构的应用函数return VGGbase()
