卷积神经网络之(使用重复元素的网络)VGG

卷积神经网络之VGG

VGG提出了可以通过重复使用简单的基础块来构建深度模型的思路。

VGG模型

VGG块的组成规律是：

连续使用数个相同的填充为1,、窗口形状为3*3的卷积层
后接一个步幅为2、窗口形状为2*2的最大赤化层

卷积层保持输入的宽和高不变，而池化层对其减半。

VGG根据网络层数不一有不同的版本，其中VGG-11是由8个卷积层+3个全连接层组成。

下图展示了VGG-11、VGG-13、VGG-16、VGG-19的网络结构与具体参数。

代码

vgg_block函数来实现这个基础的VGG块，它可以指定卷积层的数量num_convs和输出通道数num_channels

import d2lzh as d2l
from mxnet import gluon, init, nd
from mxnet.gluon import nndef vgg_block(num_convs, num_channels):blk = nn.Sequential()for _ in range(num_convs):blk.add(nn.Conv2D(num_channels, kernel_size=3,padding=1, activation='relu'))blk.add(nn.MaxPool2D(pool_size=2, strides=2))return blk

VGG-11网络：

conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))
def vgg(conv_arch):net = nn.Sequential()# 卷积层部分for (num_convs, num_channels) in conv_arch:net.add(vgg_block(num_convs, num_channels))# 全连接层部分net.add(nn.Dense(4096, activation='relu'), nn.Dropout(0.5),nn.Dense(4096, activation='relu'), nn.Dropout(0.5),nn.Dense(10))return netnet = vgg(conv_arch)

总结：

使用连续的的多个小卷积核(3×3)，来代替一个大的卷积核（例如(5×5)。
使用小的卷积核的其感受野必然变小。所以，VGG中就使用连续的3×3卷积核，来增大感受野。
VGG认为2个连续的3×3卷积核能够替代一个5×5卷积核，三个连续的3×3能够代替一个7×7。
通道数更多，特征度更宽，更多的通道数表示更丰富的图像特征。
VGG-11通过5个可以重复使用的卷积块来构造网络
根据卷积层个数和输出通道数的不同可以定义出不同的VGG模型

代码参考自：<<动手学深度学习>>

其他经典网络结构：

卷积神经网络之 LeNet卷积神经网络之(稠密连接网络)DenseNet

卷积神经网络之(深度卷积神经网络)AlexNet

卷积神经网络之(使用重复元素的网络)VGG

卷积神经网络之残差网络ResNet详解

卷积神经网络之(使用重复元素的网络)VGG相关推荐

[pytorch、学习] - 5.7 使用重复元素的网络（VGG）
参考 5.7 使用重复元素的网络(VGG) AlexNet在LeNet的基础上增加了3个卷积层.但AlexNet作者对它们的卷积窗口.输出通道数和构造顺序均做了大量的调整.虽然AlexNet指明了深度 ...
（pytorch-深度学习系列）使用重复元素的网络（VGG）
使用重复元素的网络(VGG) VGG的名字来源于论文作者所在的实验室Visual Geometry Group,VGG提出了可以通过重复使用简单的基础块来构建深度模型的思路. VGG Block(VG ...
深度学习之卷积神经网络（12）深度残差网络
深度学习之卷积神经网络(12)深度残差网络 ResNet原理 ResBlock实现 AlexNet.VGG.GoogleLeNet等网络模型的出现将神经网络的法阵带入了几十层的阶段,研究人员发现网络的 ...
VGG使用重复元素的网络
使用重复元素的网络(VGG) 1.VGG组网原理 #使用重复元素的网络(VGG) #VGG块的组成规律:连续使用数个相同的填充为1.窗口形状为33的卷积层后接上一个步幅为2,窗口形状为22的最大池化层 ...
Pytorch之CNN：基于Pytorch框架实现经典卷积神经网络的算法(LeNet、AlexNet、VGG、NIN、GoogleNet、ResNet)——从代码认知CNN经典架构
Pytorch之CNN:基于Pytorch框架实现经典卷积神经网络的算法(LeNet.AlexNet.VGG.NIN.GoogleNet.ResNet)--从代码认知CNN经典架构目录 CNN经典算 ...
《动手学深度学习》第十九天---使用重复元素的网络（VGG）
卷积神经网络由卷积核来提取特征,通过池化层对显著特征进行提取,经过多次的堆叠,得到比较高级的特征,最后可以用分类器来分类.这是CNN的一个大概流程,其具体实现的结构是丰富多样的,但总的思想是统一的. ...
卷积神经网络五之典型的CNN网络
一.典型的CNN网络 1.开山之作:LeNet-5 1998 LeNet-5 是一个非常成功的神经网络模型. 基于 LeNet-5 的手写数字识别系统在 90 年代被美国很多银行使用,用来识别支票上面 ...
卷积神经网络特征图可视化（自定义网络和VGG网络）
借助Keras和Opencv实现的神经网络中间层特征图的可视化功能,方便我们研究CNN这个黑盒子里到发生了什么. 自定义网络特征可视化代码: # coding: utf-8from keras.mo ...
深度学习笔记其六：现代卷积神经网络和PYTORCH
深度学习笔记其六:现代卷积神经网络和PYTORCH 1. 深度卷积神经网络(AlexNet) 1.1 学习表征 1.1 缺少的成分:数据 1.2 缺少的成分:硬件 1.2 AlexNet 1.2.1 ...

卷积神经网络之(使用重复元素的网络)VGG

卷积神经网络之VGG

VGG模型

代码

总结：

卷积神经网络之(使用重复元素的网络)VGG相关推荐

最新文章

热门文章