vgg 16模型的内存和参数量的计算

最新推荐文章于 2024-07-11 15:15:05 发布
最新推荐文章于 2024-07-11 15:15:05 发布
阅读量2.5w 收藏 48
点赞数 14
分类专栏： 深度学习 文章标签： vgg-16 内存计算
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/hzhj2007/article/details/80164909
版权
本文详细探讨了VGG-16模型的内存占用和参数数量计算，指出常见的60MB/image的内存估算与教程中的93MB存在差异，实际上15M是正确答案。模型参数约为138M，不包含bias，实际磁盘占用超过552M，引发对模型额外组件的讨论，包括偏置、优化器参数等。
摘要由CSDN通过智能技术生成

    cs231n上关于VGG-16模型的内存和参数的计算过程如下。

INPUT: [224x224x3]        memory:  224*224*3=150K   weights: 0
CONV3-64: [224x224x64]  memory:  224*224*64=3.2M   weights: (3*3*3)*64 = 1,728
CONV3-64: [224x224x64]  memory:  224*224*64=3.2M   weights: (3*3*64)*64 = 36,864
POOL2: [112x112x64]  memory:  112*112*64=800K   weights: 0
CONV3-128: [112x112x128]  memory:  112*112*128=1.6M   weights: (3*3*64)*128 = 73,728
CONV3-128: [112x112x128]  memory:  112*112*128=1.6M   weights: (3*3*128)*128 = 147,456
POOL2: [56x56x128]  memory:  56*56*128=400K   weights: 0
CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*128)*256 = 294,912
CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*256)*256 = 589,824
CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*256)*256 = 589,824
POOL2: [28x2
最低0.47元/天 解锁文章
hzhj
关注
  • 14
    点赞
  • 踩
  • 48
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
以VGG为例，分析深度网络的计算量和参数量
LogM的博客
05-15 1万+
摘要：我第一次读到ResNet时，完全不敢相信152层的残差网络，竟然在时间复杂度（计算量）上和16层的VGG是一样大的。当然，对于初学者而言，直接分析ResNet的时间复杂度是有点难度的。...
vgg16卷积层的计算量_卷积神经网络VGG16参数数量的计算和理解
weixin_33034651的博客
02-04 3733
先说一下我对神经网络的理解：神经网络就是用巨量的简单的非线性函数组合起来拟合复杂的未知函数。比如，人类识别不同的物体、识别不同动物、不同植物是个复杂的未知函数。虽然未知，但没事，我们的神经网络可以用巨量的简单非线性函数组合来拟合出来。而且实践证明在很多场景下效果非常好。而如何确定这些巨量的简单非线性函数的大量参数呢？通过机器学习，机器训练。著名的卷积神经网络VGG16，论文上写参数有1.3亿个，查...
计算VGG16的参数量
RayChiu757374816的博客
03-31 7368
针对VGG16来学习如何计算参数量、计算量、内存访问代价
【深度学习实战（48）】如何计算模型的参数量、占用内存、CPU、GPU占用的算力
最新发布
m0_51579041的博客
07-11 953
【深度学习实战（48）】如何计算模型的参数量、占用内存、CPU、GPU占用的算力
VGG16网络的参数和FLOPs计算
lutlx20010913的博客
05-23 3678
VGG16是一种卷积神经网络（Convolutional Neural Network，CNN），是由Simonyan和Zisserman于2014年提出的用于图像识别任务的其中一种网络结构。VGG16网络包含13个卷积层和3个全连接层，在ImageNet数据集上表现出色，并成为后来CNN结构的基础。下面对VGG16网络的参数和FLOPs进行计算。
基础卷积神经网络的计算流程（VGG16、AlexNet、resnet）
qq_43631789的博客
10-31 1229
吴恩达卷积神经网络课程讲解部分截图 1960个向量扁平化为一个向量输入到逻辑回归或者softmax中 当使用梯度下降算法或者更高级的优化算法来训练普通网络时，如果增加网络层数，训练误差会在下降一段时间以后，又继续升回去。理论上，神经网络更深，它在训练数据上的性能只会更好，但在实践中一不带残差的普通网络，优化算法训练起来会更加困难。残差网络可以让深层网络的训练误差保持下降。 ...
vgg16_reducedfc.pth
10-10
在原版VGG16中，全连接层包含了大量的参数，可能导致模型过于复杂。在某些情况下，可以将最后的全连接层替换为更小的层，同时保持模型的识别能力。 使用这个预训练模型的步骤通常包括以下几点： 1. 导入PyTorch库和...
vgg16.npy,vgg19.npy
03-18
在实际应用中，虽然VGG模型的性能出色，但其计算量和内存需求较大，可能导致运行速度较慢。因此，对于资源有限的环境，可能需要考虑使用轻量级的模型。然而，对于研究或理解深度学习模型的结构和工作原理，VGG16和...
tensorflow-使用tensorflow实现的vgg19+vgg16算法.zip
03-02
VGG模型由牛津大学的Visual Geometry Group在2014年的ImageNet竞赛中提出，因其深而窄的结构而著名。 VGG16和VGG19的主要区别在于网络的深度，即它们包含的卷积层数量。VGG16有16个卷积层，而VGG19则有19个。这两种...
tensorflow-vgg16
10-09
虽然VGG16模型在准确性上表现出色，但由于其深度和大量的卷积层，计算和内存需求较高。为了提高效率，可以采用以下策略： - **模型剪枝**：移除对最终结果影响较小的神经元，减少模型大小。 - **量化和低精度计算**...
轻量化模型的”前世今生“
03-23
因此，轻量化网络的必要性应运而生，旨在在保持一定性能的前提下，降低模型的计算复杂度和内存占用，以适应这些边缘计算场景。 实现轻量化网络的主要思路有多种。一种方法是压缩已经训练好的模型，通过知识蒸馏、...
VGG16网络参数列表
03-09
文档中包含VGG16的参数结构，以及各网络层的参数数目多少
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！
VGG13的trainable参数量
Sim_Ai的博客
03-15 555
VGG13的参数量 conv1: 3×3×3×64+64=1,7923\times3\times3\times64+64 = 1,7923×3×3×64+64=1,792 conv2: 3×3×64×64+64=36,9283\times3\times64\times64+64 = 36,9283×3×64×64+64=36,928 conv3: 3×3×64×128+128=73,8563\times3\times64\times128+128 = 73,8563×3×64×128+128=73,856
深度学习-VGG16原理详解
热门推荐
weixin_43496706的博客
09-23 5万+
1.网络结构 根据卷积核大小和卷积层数，VGG共有6中配置，分别为A,A-LRN,B,C,D,E，其中D和E两种最为常用，即i我们所说的VGG16和VGG19。看下图红色框所示。具体为： 1. 卷积-卷积-池化-卷积-卷积-池化-卷积-卷积-卷积-池化-卷积-卷积-卷积-池化-卷积-卷积-卷积-池化-全连接-全连接-全连接 。 2. 通道数分别为64，1258，512，512，512，4096，4...
VGG16模型详解
m0_62919535的博客
08-09 4329
VGG16作为深度学习发展历程中的重要里程碑，强调了通过增加网络深度和一致性设计来提取图像特征。它的成功启发了后续更复杂的网络架构和方法，并在图像分类等任务中取得了重要成就。通过研究和实践，我们可以更好地理解VGG16的原理，并将其应用于实际问题中。VGG16是一种深度卷积神经网络，由牛津大学的研究团队于2014年开发。
CS231n笔记7-ConvNets Typical Architecture与VGGNet
u012767526的专栏
05-18 1万+
ConvNets Typical Architecture与VGGNetConvNets Typical Architecture-卷积神经网络经典结构写到这里，小编已经大体覆盖了构建一个大型卷积神经网络所需要的知识点。下面是小编在上课是总结的卷积神经网络的结构。 读者是不是觉得上面的图的那些英文都似曾相识，是的，小编在之前的学习笔记中都有介绍，为了方便读者阅读，下面小编给出相应的链接 Con
经典网络VGG16
wwwsssZheRen的博客
03-08 5308
1、经典网络VGG16 basic VGG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。 针对VGG16进行具体...
神经网络尺寸和参数量计算
Nick_Dizzy的博客
02-08 1758
前言 这里写个参数计算，会借鉴各路大神的杰作，主要是整理一下怕自己以后忘了找起来麻烦 大部分引自https://blog.csdn.net/qian99/article/details/79008053 参数计算方法 首先是卷积层的计算 下面是一个32x32x3的输入，我们用5x5x3的滤波器去卷积 所以最后是553=75的一个参数量 那么最后的输出也是需要一个公式的，一般我们如果使用填充将不改...
VGG16模型的优点优缺点
04-25
VGG16模型是深度学习中一个著名的卷积神经网络模型，它的主要优点是具有很强的表示能力和良好的泛化能力，能够在计算机视觉领域的许多任务上取得良好的表现。此外，VGG16模型还有一个非常重要的优点，就是它的结构非常简单和规整，容易被理解和实现。但是，由于VGG16模型非常深且参数量很大，所以训练和推理时间比较长，且占用的内存空间较大，这也是它的主要缺点之一。
评论 5
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