李哥深度学习班专栏3

最新推荐文章于 2025-04-26 16:05:24 发布

~有何book

最新推荐文章于 2025-04-26 16:05:24 发布

阅读量857

点赞数 9

文章标签： python 深度学习

本文链接：https://blog.csdn.net/c17870960026/article/details/145028184

版权

计算VGG模型参数量和维度变化

在这里插入图片描述
图片初始大小为3 * 224 * 224，表明图片层数为3，长宽各为224个像素。Conv2d(3,64,3,1,1),其中第一个3代表输入特征图数量，即图片层数；第二个64代表卷积核数量，即输出特征图数量；第一个3代表卷积核大小为3 * 3；第一个1代表步长为1；第二个1代表padding为1。公式： O = (I - K + 2P)/S +1
Pool代表池化，2 * 2压缩变成1 * 1。
经过第一次卷积Conv2d(3,64,3,1,1)，图片变成64 * 224 * 224；参数量：64 * 3 * 3 * 3
经过第二次卷积Conv2d(64,64,3,1,1)，图片变成64 * 224 * 224；参数量：64 * 64 * 3 * 3
经过第一次Pool,特征图变成64 * 112 * 112.

经过第三次卷积Conv2d(64,128,3,1,1)，特征图变成128 * 112 * 112；参数量：128 * 64 * 3 * 3
经过第四次卷积Conv2d(128,128,3,1,1)，特征图变成128 * 112 * 112；参数量：128 * 128 * 3 * 3
经过第二次Pool，特征图变成128 * 56 * 56。

经过第五次卷积Conv2d(128,256,3,1,1)，特征图变成256 * 56 * 56；参数量：256 * 128 * 3 * 3
经过第六次卷积Conv2d(256,256,3,1,1)，特征图变成256 * 56 * 56；参数量：256 * 256 * 3 * 3
经过第三次Pool，特征图变成256 * 28 * 28。

经过第七次卷积Conv2d(256,512,3,1,1)，特征图变成512 * 28 * 28；参数量：512 * 256 * 3 * 3
经过第八次卷积Conv2d(512,512,3,1,1)，特征图变成512 * 28 * 28；参数量：512 * 512 * 3 * 3
经过第四次Pool，特征图变成512 * 14 * 14。

经过第九次卷积Conv2d(512,512,3,1,1)，特征图变成512 * 14 * 14；参数量：512 * 512 * 3 * 3
经过第十次卷积Conv2d(512,512,3,1,1)，特征图变成512 * 14 * 14；参数量：512 * 512 * 3 * 3
经过第五次Pool，特征图变成512 * 7 * 7。

经过adaPool(7)，特征图变成512 * 7 * 7

经过全连接Linear(25088,4096)，特征图维度从25088变成4096；参数量：25088 * 4096 + 4096
经过全连接Linear(4096,4096)，特征图维度从4096变成4096；参数量：4096 * 4096 + 4096
经过全连接Linear(4096,1000)，特征图维度从4096变成1000。参数量：4096 * 1000 + 1000