贵州省建设厅官网站,wordpress整合微信登陆,网站建设合同 英文范文,课程设计代做网站目录
1. VGG 的结构
2. VGG 的网络细节
3. VGG 的代码实现 1. VGG 的结构
牛津大学的视觉几何组#xff08;Visual Geometry Group#xff09;设计了 VGGNet(也称为 VGG)#xff0c;一种经典的卷积神经网络 (CNN) 架构。在 2014 年 ILSVRC 分类任务中#xff0c;VGG 取…
目录
1. VGG 的结构
2. VGG 的网络细节
3. VGG 的代码实现 1. VGG 的结构
牛津大学的视觉几何组Visual Geometry Group设计了 VGGNet(也称为 VGG)一种经典的卷积神经网络 (CNN) 架构。在 2014 年 ILSVRC 分类任务中VGG 取得了第二名的成绩。现在过去多年VGG 仍然被广泛应用在图像识别、语音识别、机器翻译、机器人等领域。
VGG 具有 16 层VGG-16和 19 层VGG-19的卷积神经网络两者的结构类似接下来详细解读 VGG-16 的结构VGG-16 由 13 个卷积层和 3 个全连接层组成层数是计算全连接层的卷积层个数如下图所示图中 conv 为卷积层pool 为池化层最后三个 fc 4096 为全连接层。 VGG16相比之前网络的改进是3个3*3卷积核来代替7x7卷积核2个3*3卷积核来代替5*5卷积核这样做的主要目的是在保证具有相同感知野的条件下减少参数提升了网络的深度。
比如3个步长为1的卷积核3*3的层层叠加其参数总量为 3*(9*C^2) 如果直接使用7*7的卷积核其参数总量为 49*C^2 这里 C 指的是输入和输出的通道数。很明显27*C^2小于49*C^2即减少了参数。
2. VGG 的网络细节
VGG-16 采用了五组卷积与三个全连接层最后使用 Softmax 做分类。
VGG-16 有个显著的特点每次经过池化层后特征图的尺寸减小一倍而通道数则增加一倍最后一个池化层除外。每一层的卷积层的细节如表格所示
回顾特征图的计算
O 是输出图像I 是输入图像
P 是 paddingK 是 kernel sizeS 是步长。
输出特征图大小计算公式 O (I 2P – K) / S 1
参数量K*K* 输入的 channel * 输出的 channel 3. VGG 的代码实现
VGG-16 的五组卷积相似在撰写代码的时候可以建一个 Layer 类通过循环添加每个层的顺序执行请查看下面的代码 make_layers 函数。
