(一)深度学习系列之VGG网络介绍以及pytorch代码实现花分类

老邱生

已于 2023-03-08 16:26:01 修改

阅读量1k

点赞数 2

文章标签：深度学习 pytorch 网络

于 2023-03-08 16:18:40 首次发布

本文链接：https://blog.csdn.net/2301_76382363/article/details/129405544

版权

论文链接1409.1556.pdf (arxiv.org)

VGG是ILSVRC2014分类任务的亚军，可以看成是加深版的AlexNet，都是由Conv layer + FC layer组成。

一. VGG的特点：

多个小尺寸的卷积核代替大尺寸卷积核

主要表现，使用2个3x3的卷积核替代5x5的卷积核

这样做的好处：

1.1 在保证相同的感受野的情况下，多个小的卷积层堆积可以提高网络的深度，有利于提高特征提取能力。

1.2 参数量更少，一个5x5的卷积核，其参数量为5 x 5 x Channel_in x Channel_out，两个3x3的卷积核，其参数量为2 x 3 x 3 x Channel，很明显，25Channel_in x Channel_out > 18Channel_in x Channel_out。

1.3 3x3卷积核更有利于保持图像性质

二. VGG的网络结构：

在这里插入图片描述

图1：VGG网络结构图

三. 花品种分类代码实现

3.1 vgg模型框架搭建

import torch
import torch.nn as nn

class VGG(nn.Module):
    def __init__(self, feature, num_classes=100, init_weights=False):
        super(VGG, self).__init__()
        self.features = feature
        self.classifier = nn.Sequential(
            nn.Linear(512*7*7, 4096),
            nn.ReLU(True),
            nn.Dropout(p=0.5),
            nn.Linear(4096, 4096),
            nn.ReLU(True),
            nn.Dropout(p=0.5),
            nn.Linear(4096, num_classes)
        )
        if init_weights:
            self._initialize_weights()

    def forward(self, x):
        x = self.features(x)
        x = torch.flatten(x, start_dim=1)
        x = self.classifier(x)
        return x

    def _initialize_weights(self):
        for m in self.modules():
            if isinstance(m, nn.Conv2d):
                nn.init.xavier_uniform_(m.weight)
                if m.bias is not None:
                    nn.init.constant_(m.bias, 0)
            elif isinstance(m, nn.Linear):
                nn.init.xavier_uniform_(m.weight)
                nn.init.constant_(m.bias, 0)


cfgs = {
   
    'vgg11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
    'vgg13': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512