VGG16系列III: 网络模型结构

最新推荐文章于 2024-08-18 22:00:00 发布
最新推荐文章于 2024-08-18 22:00:00 发布
阅读量6.4k 收藏 46
点赞数 4
分类专栏： 深度学习 文章标签： VGG
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/bmwlwg/article/details/101196596
版权
本文详细介绍了VGG16网络模型，包括CNN基础构件如卷积、Padding、池化、Flatten、全连接层、Dropout和激活函数。VGG16由13个卷积层和3个全连接层组成，采用ReLU激活函数。讨论了VGG的网络架构，并提及训练过程中的前馈、后馈和训练技巧。
摘要由CSDN通过智能技术生成

目录

Part I: CNN的基础构件

一张图片如何作为输入？

什么是卷积

什么是Padding

什么是池化(pooling)

什么是Flatten

什么是全连接层

什么是Dropout

什么是激活函数

VGG16的整体架构图

Part II: VGG 网络架构

典型VGG网络结构

VGG 网络参数数量计算:

Part III: 如何训练VGG

前馈

后馈

训练技巧

VGG 基于Tensorflow版本代码可参考前两篇博客:

1. VGG16系列I: 基于Tensorflow代码

2. VGG16系列II: 代码解析

神经网络各层次的特征提取与传播类似于下图

Part I: CNN的基础构件

一张图片如何作为输入？

如下图，彩色图像有RGB三个色值通道，分别表示红、绿、蓝，每个通道内的像素可以用一个像下图右边的二维数组表示，数值代表0-255之间的像素值。假设一张900*600的彩色的图片，计算机里面可以用 (900*600*3)的数组表示。

对于其中一个色值通道的数据输入, 如下图

什么是卷积

卷积过程是基于一个小矩阵，也就是卷积核，在上面所说的每层像素矩阵上不断按步长扫过去的，扫到数与卷积核对应位置的数相乘，然后求总和，每扫一次，得到一个值，全部扫完则生成一个新的矩阵。如下图

卷积核如何设置可以参考卷积神经网络的卷积核大小、个数，卷积层数如何确定呢？一般取(3,3)的小矩阵，卷积核里面每个值就是我们需要寻找（训练）的神经元参数(权重)，开始会随机有个初始值，当训练网络时，网络会通过后向传播不断更新这些参数值，直到寻找到最佳的参数值。如何知道是“最佳”？是通过损失函数去评估。

卷积核的步长是指卷积核每次移动几个格子，有横行和纵向两个方向。

卷积操作相当于特征提取，卷积核相当于一个过滤器，提取我们需要的特征。

如下图，左边小红色框是卷积核，从左上角扫到右下角，最终得到右边的特征图谱。

卷积：如何成为一个很厉害的神经网络

 

什么是Padding

卷积操作之后维度变少，得到的矩阵比原来矩阵小，这样不好计算，而我们只是希望作卷积，所以我们需要Padding，在每次卷积操作之前，在原矩阵外边补包一层0，可以只在横向补，或只在纵向补，或者四周都补0，从而使得卷积后输出的图像跟输入图像在尺寸上一致。

比如：我们需要做一个300*300的原始矩阵的卷积，用一个3*3卷积核来扫，扫出来结果的矩阵应该是：298*298的矩阵，变小了。

卷积前加 Padding 操作补一圈0

最低0.47元/天 解锁文章
Elffer
关注
专栏目录
【扩散模型/图像匹配/图像拼接】论文精读：DiffMatch: Diffusion Model for Dense Matching
畅游计算机视觉的海洋
01-30 1万+
建立成对图像之间的密集对应关系的目标由两个术语组成：数据项和先验项。虽然传统的技术侧重于定义难以表述的手工设计的先验项，但最近的方法侧重于使用深度神经网络学习数据项，而无需显式建模先验，假设模型本身有能力从大规模数据集中学习最优先验。然而，性能改进很明显，它们通常无法解决匹配的固有歧义，例如无纹理区域、重复模式和大位移。为了解决这个问题，我们提出了 DiffMatch，这是一个新颖的基于条件扩散的框架，旨在显式建模数据和先验术语。与以前的方法不同，这是通过利用条件去噪扩散模型来实现的。DiffMatch由两
VGG16模型
王小波的博客
03-03 2万+
VGG16模型很好的适用于分类和定位任务 其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。 1、结构简洁 VGG由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max-pooling（最大化池）分开，所有隐层的激活单元都采用ReLU函数。2、小卷积核和多卷积子层 VGG使用多个较小卷积核（3x3）的卷积层代替一个卷积核...
【深度学习】VGG-16网络结构
zkq_1986的博客
12-18 1万+
VGG-16，输入层214*214*3，经过两层相同的卷积，卷积filter为3*3，stride为1，filter数为64，然后经过一层pooling。接着按照相同的方式，让宽和高越来越小，而通道数逐倍增加，直到512。最后用两层相同全连接加一个softmax。 VGG-16的性能与VGG-19差不多，所以基本用VGG-16
跟着问题学6——VGG网络详解及代码实战
最新发布
weixin_42251091的博客
08-18 1954
例如，在VGG中，使用了3个3x3卷积核来代替7x7卷积核，使用了2个3x3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，提升了网络的深度，在一定程度上提升了神经网络的效果。卷积层保持输入的高和宽不变，而池化层则对其减半。小卷积核是VGG的一个重要特点，虽然VGG是在模仿AlexNet的网络结构，但没有采用AlexNet中比较大的卷积核尺寸（如7x7），而是通过降低卷积核的大小（3x3），增加卷积子层数来达到同样的性能（VGG：从1到4卷积子层，AlexNet：1子层）。
VGG网络架构
weixin_43732424的博客
12-17 3225
VGG 学习目标 知道VGG网络结构的特点 能够利用VGG完成图像分类 2014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发出了新的深度卷积神经网络：VGGNet，并取得了ILSVRC2014比赛分类项目的第二名，主要贡献是使用很小的卷积核(3×3)构建卷积神经网络结构，能够取得较好的识别精度，常用来提取图像特征的VGG-16和VGG-19。 1.VGG的网络架构 VGG可以看成是加深版的AlexNet，整个网络由卷积层和全连
VGG16结构图
ziyouyi111的博客
06-02 3万+
为了更好的了解VGG16的结构图，其可视化结构如下：vgg16构造模型图官方数据表格参考：https://blog.csdn.net/zhyj3038/article/details/52448102
VGG-16网络结构详解
qq_45998041的博客
03-10 3万+
VGG，又叫VGG-16，顾名思义就是有16层，包括13个卷积层和3个全连接层，是由Simonyan 和Zisserman在文献**《Very Deep Convolutional Networks for Large Scale Image Recognition》**中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。 该模型参加2014年的 ImageNet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一
vgg16 梯度下降
08-25
- *3* [VGG16系列III: 网络模型结构](https://blog.csdn.net/bmwlwg/article/details/101196596)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_...
AlexNet系列I:模型参数计算
bmwlwg的博客
09-23 3703
Part I: 计算结果总表 AlexNet基本结构图： AlexNet模型参数计算总表： Layer Name Filter Padding Kernel Stride Img size Tensor Size Weights Biases Parameters Input Image - - - - ...
李理：三层卷积网络和vgg的实现
qunnie_yi的博客
03-06 2905
本系列文章面向深度学习研发者，希望通过Image Caption Generation，一个有意思的具体任务，深入浅出地介绍深度学习的知识。本系列文章涉及到很多深度学习流行的模型，如CNN，RNN/LSTM，Attention等。本文为第12篇。 作者：李理 目前就职于环信，即时通讯云平台和全媒体智能客服平台，在环信从事智能客服和智能机器人相关工作，致力于用深度学习来提高智...
Vgg16 model
03-25
vgg16 模型 用于初始训练，准确率非常高，可以直接将其封装到云平台中！
经典网络结构VGG-net《Very Deep Convolutional Networks for Large-Scale Image Recognition》
女王の专属领地
05-04 1034
论文地址：https://arxiv.org/abs/1409.1556论文翻译：http://blog.csdn.net/wangsidadehao/article/details/54311282VGG-Net来自牛津大学Andrew Zisserman 教授的组 (Oxford)，在2014年的 ILSVRC localization and classification 两个问题上分别取得...
深度学习卷积神经网络——经典网络VGG-16网络的搭建与实现
热门推荐
loveliuzz的博客
01-23 4万+
一、VGG-16网络框架介绍 VGGNet是牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司的研究员一起研发的深度卷积神经网络。 VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3*3的小型卷积核和2*2的最大池化层， VGGNet成功地构筑了16~19层深的卷积神经网络。VGGNet相比之前state-of-
《python深度学习》笔记（二十一）：VGG16网络模型的原理与实现
qq_59572329的博客
12-25 2万+
4.VGG创新点 1。使用3x3卷积核替代7x7卷积核的好处？ 2 个 3x3 的卷积核叠加，它们的感受野等同于 1 个 5x5 的卷积核，3 个叠加后，它们的感受野等同于 1 个 7x7 的效果。 由于感受野相同，3个3x3的卷积，使用了3个非线性激活函数，增加了非线性表达能力，从而可以提供更复杂的模式学习。
pytorch实现VGG16 (2)
m0_50127633的博客
05-19 1421
VGG16Net.py from torch import nn class Vgg16_net(nn.Module): def __init__(self): super(Vgg16_net, self).__init__() self.layer1=nn.Sequential( nn.Conv2d(in_channels=3,out_channels=64,kernel_size=3,stride=1,padding=1), #(32
【深度学习】全面理解VGG16模型
florrie
06-18 3万+
全面理解VGG16模型VGG16的结构层次介绍结构图VGG16模型所需要的内存容量介绍卷积中的基本概念1.从input到conv1：2.从conv1到conv2之间的过渡：3.conv2到conv3：4.进入conv3：5.从conv3到conv4之间的过渡：6.最后到三层全连接FC层结论 VGG16的结构层次 vgg16总共有16层，13个卷积层和3个全连接层，第一次经过64个卷积核的两次卷积后...
VGG-16网络模型
weixin_43213895的博客
08-21 3219
前言 最近在学习SSD，发现SSD采用VGG16作为基础模型，然后在VGG16的基础上新增了卷积层来获得更多的特征图用于检测。因此，这里简要介绍一下VGG16模型的结构。 VGG16结构 顾名思义，vgg16总共有16层，其中包括13个卷积层和3个全连接层。第一次经过64个卷积核的两次卷积后，采用一次pooling，第二次经过两次128个卷积核卷积后，再采用pooling，第三次经过两次256个卷积核卷积后，采用一次pooling，接着再重复两次三个512个卷积核卷积后，再pooling，最后经过三次全连接
VGG16网络模型
qnlailai的博客
08-13 429
VGG-16卷积网络结构层次： 一共十六层，13个卷积层和3个全连接层。第一次经过64个卷积核的两次卷积后，采用一次pooling，第二次经过两次128个卷积核卷积后，再采用pooling，再重复两次三个512个卷积核卷积后，再pooling，最后经过三次全连接。 结构图： ...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值