VGG16神经网络搭建

2401_84004078

于 2024-04-21 22:17:40 发布

阅读量409

点赞数 8

分类专栏：程序员文章标签：神经网络 pytorch 人工智能

本文链接：https://blog.csdn.net/2401_84004078/article/details/138047632

版权

程序员专栏收录该内容

276 篇文章 0 订阅

订阅专栏

        nn.ReLU(True),
        nn.Dropout(p=0.5),
        nn.Linear(2048, 2048),
        nn.ReLU(True),
        nn.Linear(2048, class_num)
    )
    if init_weight:
        self._initialize_weights()


##  四、初始化权重函数


这个函数会遍历网络的每一个子模块。


如果遍历的当前层是一个卷积层，那么这个方法会初始化卷积核的权重，如果采用了偏置，那就默认初始化为0.


如果遍历的当前层是全连接层，也是用这个方法去初始化全连接层的权重，并将偏置设置为0.

def _initialize_weights(self):
    for m in self.modules():  # 遍历模块中的每一个子模块
        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)


## 五、定义正向传播


x：输入的图像数据


features：提取网络特征结构


flatten：展平处理。因为第0个维度是batch，所以我们从第一个维度开始展平


经过分类网络结构后返回

def forword(self, x):
    x = self.features(x)
    x = torch.flatten(x, strat_dim=1)
    x = self.classifier(x)
    return x


## 六、实例化模型


传入参数model\_name：实例化给定的配置模型。


将key值传入字典当中


通过VGG这个类来实例化这个网络


features通过make\_features这个函数来实现


最后创建对象实现VGG神经网络的搭建。

def vgg(model_name=“vgg16”, **kwargs):
try:
cfg = cfgs[model_name]
except:
print(“waring: model number {} not in cfgs dict”.format(model_name))
model = VGG(make_features(cfg), **kwargs)
return model

vgg_model = vgg(model_name=‘vgg13’)


 运行成功，网络搭建成功。![](https://img-blog.csdnimg.cn/direct/1c8abcdeb01943b98f112da07058da21.png)


 全部代码

import torch.nn as nn
import torch

class VGG(nn.Module):
def init(self, features, class_num=1000, init_weight=False):
super(VGG, self).init()
self.features = features
self.classifier = nn.Sequential(
nn.Dropout(p=0.5),
nn.Linear(51277, 2048),
nn.ReLU(True),
nn.Dropout(p=0.5),
nn.Linear(2048, 2048),
nn.ReLU(True),
nn.Linear(2048, class_num)
)
if init_weight:
self._initialize_weights()

def forword(self, x):
    x = self.features(x)
    x = torch.flatten(x, strat_dim=1)
    x = self.classifier(x)
    return x


def _initialize_weights(self):
    for m in self.modules():  # 遍历模块中的每一个子模块
        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)

def make_features(cfg: list):
layers = []
in_channels = 3
for v in cfg:
if v == ‘M’:
layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
else:
conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
layers += [conv2d, nn.ReLU(True)]
in_channels = v
return nn.Sequential(*layers)

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, ‘M’, 512, 512, ‘M’],
‘vgg16’: [64, 64, ‘M’, 128, 128, ‘M’, 256, 256, 256, ‘M’, 512, 512, 512, ‘M’, 512, 512, 512, ‘M’],
‘vgg19’: [64, 64, ‘M’, 128, 128, ‘M’, 256, 256, 256, 256, ‘M’, 512, 512, 512, 512, ‘M’, 512, 512, 512, 512, ‘M’],
}

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年Python开发全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友，同时减轻大家的负担。