TensorFlow学习总结（八）卷积神经网络——VGG特征

最新推荐文章于 2024-07-28 15:36:16 发布

Raoodududu

最新推荐文章于 2024-07-28 15:36:16 发布

阅读量621

点赞数

分类专栏：卷积神经网络文章标签：卷积神经网络 VGG

本文链接：https://blog.csdn.net/Raoodududu/article/details/82781683

版权

本文介绍了卷积神经网络VGG的特点，包括使用3×3卷积核和2×2池化核的结构，以及在TensorFlow中实现VGG模型进行前向预测和反向测评的详细步骤。

摘要由CSDN通过智能技术生成

一、引入

1.发展

2.特点

（1）全部使用3×3的卷积核，步长1；和2×2的池化核，步长2；通过不断加深网络结构提升性能。

（2）两个3×3卷积层串联优于一个7×7卷积层，使得CNN对特征学习能力更强。

（3）不用LRN层；越深层网络效果越好。

二、tensorflow实现

1.实现计算前向预测和反向测评时间

（1）导入

from datetime import datetime
import math
import time
import tensorflow as tf

（2）设置参数

#设置参数
batch_size = 32                #每个batch数据的大小
num_batches = 50              #一共测试50个batch数据

（3）封装VGG所用函数

def conv_op(input, name, wh, ww, n_out, dh, dw, p):                                                                     #输入，范围名称，滤波器尺寸，滤波器输出通道数，步长，参数列表
    n_in = input.get_shape()[-1].value                                                                                  #输入通道数
    with tf.name_scope(name) as scope:
        weight = tf.get_variable(scope+"w", shape=[wh, ww, n_in, n_out], dtype=tf.float32,
                                 initializer=tf.contrib.layers.xavier_initializer_conv2d())       #滤波器
        conv = tf.nn.conv2d(input, weight, (1, dw, dw, 1),padding='SAME')                                                     #步长  必须是边界填充SAME
        bias_init_val = tf.constant(0.0, shape=[n_out],dtype=tf.float32)
        biases = tf.Variable(bias_init_val, trainable=True, name='b')                                                   #偏置
        result = tf.nn.bias_add(conv, biases)                                                                           #前向
        activati