大兴企业网站建设,松江品划做企业网站,wordpress批量读取excel,十大设计网站排名VGG16模型详解
0、VGG16介绍
VGG16是一种深度卷积神经网络#xff0c;由牛津大学的研究团队于2014年开发。
VGG16在2014年的ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 竞赛中取得了显著的成绩。它在图像分类任务中获得了当年的第二名#xff0c;其准确…VGG16模型详解
0、VGG16介绍
VGG16是一种深度卷积神经网络由牛津大学的研究团队于2014年开发。
VGG16在2014年的ImageNet Large Scale Visual Recognition Challenge (ILSVRC) 竞赛中取得了显著的成绩。它在图像分类任务中获得了当年的第二名其准确率超过了之前的深度神经网络模型并为后来的研究提供了重要的启示。
1、网络模型结构
这张图来源于论文《VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION》其中的D、E就表示的是VGG16和VGG19。 parameters:
input224x224 RGB image输入尺寸为224x224的RGB彩色图片。conv3-64前一个数字表示卷积核的大小后一个数字表示卷积核的数量。其它的也如此。maxpool最大池化有助于提取主要特征、降低维度、增加不变性。FC-4096-1全连接Fully Connected层具体指的是包含4096个神经元的全连接层。将来自卷积和池化层的特征映射进行扁平化然后与权重矩阵相乘并加上偏置产生一组4096维的输出。FC-4096-2这是VGG16网络的第二个全连接层同样具有4096个神经元。它接收来自第一个全连接层的4096维输出作为输入然后进行相同的矩阵相乘和偏置操作得到最终的特征表示。FC-1000最后一个全连接层是FC-1000它有1000个神经元对应于ImageNet数据集中的1000个类别即网络被训练用于ImageNet图像分类任务。这一层的输出经过softmax激活函数后表示图像属于每个类别的概率分布从而实现了分类功能。
2、VGG16的卷积核特点
VGG网络的卷积层全部采用的是3x3卷积核这个设计是VGG16网络的一个显著特点。一个3x3卷积核包含了一个像素的上下左右的最小单元。连续多层的3x3卷积核可以拟合更复杂的特征同时增加网络深度。
两个3x3卷积可以替代一个5x5卷积三个3x3卷积可以替代一个7x7卷积。这样多个小卷积核的卷积层替代一个卷积核较大的卷积层一方面参数数量减少了另一方面非线性次数也变多了学习能力变得更好网络的表达能力也提升了。
3、网络卷积过程 图片来源于同济子豪兄的视频。
输入尺寸为224x224x3的RGB图像经过block1步长为1padding1的填充。经过两个卷积层后再经过ReLU函数激活尺寸不变通道数为64。尺寸变为224x224x64。每经过maxpool滤波器大小为2x2步长为2尺寸减半。尺寸变为112x112x64。经过block2两次卷积ReLU激活。尺寸变为112x112x128。maxpool池化尺寸变为56x56x128。经过block3三次卷积ReLU激活。尺寸变为56x56x256。maxpool池化尺寸变为28x28x256。经过block4三次卷积ReLU激活。尺寸变为28x28x512。maxpool池化尺寸变为14x14x512。经过block5三次卷积ReLU激活。尺寸变为14x14x512。maxpool池化尺寸变为7x7x512。然后Flatten()变成一维512*7*725088。经过两层1x1x4096一层1x1x1000的全连接层共三层经ReLU激活。最后通过softmax输出1000个预测结果。
4、查看Pytorch内置的VGG16模型
import torch
import torchvision
import torch.nn as nn
import torchsummary# pytorch内置的VGG16的模型
model torchvision.models.vgg16()
print(model)
控制台部分内容 5、内置模型的参数量
import torch
import torchvision
import torch.nn as nn
import torchsummarymodel torchvision.models.vgg16()
torchsummary.summary(model,input_size(3,244,244),batch_size2,devicecpu)
控制台部分内容 部分参数量
Total params: 138,357,544
总的参数量达到了1.38亿。VGG16具有如此之大的参数数目可以预期它具有很高的拟合能力但同时缺点也很明显即训练时间过长调参难度大。需要的存储容量大不利于部署。
6、使用Pytorch实现VGG16
class VGG16(nn.Module):每个卷积核大小都是3x3,后面步长为1,padding1每个卷积后面都用了ReLUdef __init__(self,in_channel3,out_channel1000,num_hidden512*7*7):super(VGG16,self).__init__()self.featuresnn.Sequential(# block1nn.Conv2d(in_channel,64,(3,3),(1,1),1),nn.ReLU(inplaceTrue),nn.Conv2d(64, 64, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.MaxPool2d(2,2),# block2nn.Conv2d(64, 128, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.Conv2d(128, 128, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.MaxPool2d(2, 2),# block3nn.Conv2d(128, 256, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.Conv2d(256, 256, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.Conv2d(256, 256, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.MaxPool2d(2, 2),# block4nn.Conv2d(256, 512, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.Conv2d(512, 512, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.Conv2d(512, 512, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.MaxPool2d(2, 2),# block5nn.Conv2d(512, 512, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.Conv2d(512, 512, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.Conv2d(512, 512, (3, 3), (1, 1), 1),nn.ReLU(inplaceTrue),nn.MaxPool2d(2, 2),)self.avgpool nn.AdaptiveAvgPool2d(output_size(7,7))self.classifier nn.Sequential(nn.Linear(num_hidden, 4096),nn.ReLU(),nn.Dropout(),nn.Linear(4096, 4096),nn.ReLU(),nn.Dropout(),nn.Linear(4096, out_channel),)def forward(self, x):x self.features(x)x self.avgpool(x)x torch.flatten(x, 1)x self.classifier(x)return x
上面均为仿照Pytorch内置的VGG16模型的参数编写的。
7、总结
VGG16作为深度学习发展历程中的重要里程碑强调了通过增加网络深度和一致性设计来提取图像特征。它的成功启发了后续更复杂的网络架构和方法并在图像分类等任务中取得了重要成就。通过研究和实践我们可以更好地理解VGG16的原理并将其应用于实际问题中。
