VGG扫盲帖：利用pytorch实现VGG16网络架构

已于 2022-04-30 21:13:03 修改
阅读量2.2k 收藏 5
点赞数 3
分类专栏： 深度学习 文章标签： 人工智能 计算机视觉 深度学习 神经网络 机器学习
于 2022-04-27 16:12:07 首次发布
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/m0_62128864/article/details/124444532
版权

上图为VGG16的网络架构可视化图，白色部分为卷积层，红色部分为池化层

一、预训练权重下载

当然编译器可以自动下载，只要把download设置为True，下载速度因人而异。建议自己下载，然后手动加载权重。下载地址如下：

  • 'vgg11': 'https://download.pytorch.org/models/vgg11-bbd30ac9.pth'
'vgg13': 'https://download.pytorch.org/models/vgg13-c768596a.pth'
'vgg16': 'https://download.pytorch.org/models/vgg16-397923af.pth'
'vgg19': 'https://download.pytorch.org/models/vgg19-dcbb9e9d.pth'
'vgg11_bn': 'https://download.pytorch.org/models/vgg11_bn-6002323d.pth'
'vgg13_bn': 'https://download.pytorch.org/models/vgg13_bn-abd245e5.pth'
'vgg16_bn': 'https://download.pytorch.org/models/vgg16_bn-6c64b313.pth'
'vgg19_bn': 'https://download.pytorch.org/models/vgg19_bn-c79401a0.pth'

二、PyTorch中VGG结构定义 

 在实际应用时，我们直接调用封装好的包即可，无需从0开始搭建网络。不过前提还是要明白代码是如何搭建的。

import torch
import torch.nn as nn


# 类定义
class VGG(nn.Module):

    def __init__(self, features, num_classes=1000, init_weights=True):
        super(VGG, self).__init__()
        self.features = features    # 核心：特征提取
        self.avgpool = nn.AdaptiveAvgPool2d((7, 7))  # 自适应池化至7*7
        self.classifier = nn.Sequential(   # 分类器
            nn.Linear(512 * 7 * 7, 4096),
            nn.ReLU(True),
            nn.
最低0.47元/天 解锁文章
码农男孩
关注
  • 3
    点赞
  • 踩
  • 5
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
利用PyTorch实现VGG16教程
12-17
我就废话不多说了，大家还是直接看代码吧~ import torch import torch.nn as nn import torch.nn.functional as F class VGG16(nn.Module): def __init__(self): super(VGG16, self).__init__() # 3 * 224 * 224 self.conv1_1 = nn.Conv2d(3, 64, 3) # 64 * 222 * 222 self.conv1_2 = nn.Conv2d(64, 64, 3, padding=(1, 1)) # 64 * 2
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-
Pytorch入门实战第六周：VGG-16算法-Pytorch实现人脸识别
weixin_46620278的博客
04-19 1293
🍨 本文为[🔗365天深度学习训练营](https://mp.weixin.qq.com/s/0dvHCaOoFnW8SCp3JpzKxg) 中的学习记录博客**🍖 原作者：[K同学啊](https://mtyjkh.blog.csdn.net/)说在前面本周学习目标：保存训练过程中的最佳模型权重，调用官方的VGG-16网络框架；拔高——使得测试集准确率达到60%(难度稍微有些大)，手动搭建VGG-16网络框架我的环境：Python3.8、Pycharm2020、torch1.12.1+cu113。
VGG16结构
qq_42006303的博客
03-09 683
参考：https://blog.csdn.net/ziyouyi111/article/details/80546500 https://blog.csdn.net/u012606764/article/details/80495630 详细参数：
【深度学习】VGG16网络结构复现 | pytorch |
weixin_46274756的博客
11-14 1439
【深度学习】VGG16网络结构复现 | pytorch |
vgg-face:使用pytorch加载vgg-face预训练的caffe模型
05-14
总的来说，通过在PyTorch中加载VGG-Face预训练模型，开发者可以在Python环境中实现高效且准确的人脸识别功能，这在安全监控、社交网络验证、智能门锁等多种应用场景中都有广泛的应用前景。了解并掌握这一技术，对于...
pytorch实现VGG网络
01-06
使用重复元素的网络（VGG） AlexNet在LeNet的基础上增加了3个卷积层。但AlexNet作者对它们的卷积窗口、输出通道数和构造顺序均做了大量的调整。虽然AlexNet指明了深度卷积神经网络可以取得出色的结果，但并没有提供...
基于vgg网络和Resnet的白盒攻击pytorch实现项目源码.zip
最新发布
05-09
基于vgg网络和Resnet的白盒攻击pytorch实现项目源码.zip主要实现了FGSM、I-FGSM和MI-FGSM三种算法攻击VGG-16网络和Resnet-50网络。 基于vgg网络和Resnet的白盒攻击pytorch实现项目源码.zip主要实现了FGSM、I-FGSM...
VGG-PyTorch-master_vgg16模型_VGG16pytorch_vgg16pytorchcode_
10-01
vgg16代码，最简单pytorch版本，容易看懂，易上手，按照论文敲的
pytorch实现VGG16 (2)
m0_50127633的博客
05-19 1359
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
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网络初始化权重
12-14
从谷歌上找了好久的，而且网速还贼拉的慢，为方便大家，上传共享
VGG16网络的权重(不包含全连接层).rar
04-13
VGG16模型的预训练权重参数，不包含全连接层。
VGG16网络详解并使用pytorch搭建模型
STATEABC的博客
03-23 4277
VGG网络结构 网络中的亮点：通过堆叠多个3x3的卷积核来代替大尺度卷积核(减少所需参数)，可以拥有相同的感受野 在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野。通俗的解释是，输出feature map上的一个单元对应输入层上的区域大小。 在VGG中，使用三个3x3的卷积核可以替代一个7x7的卷积核(步长默认为1)： 论文中提到通过这种方法能够减少所需参数： 假设输入输出channel为C，那么使用7x7卷积核所需参数为7x7xCxC=49C3；堆叠三个3x3卷积
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
m0_64357419的博客
01-03 1195
VGG16的出现标志着深度学习领域从简单地追求深度向更注重网络结构和特征提取能力的转变。其均匀且简洁的设计原则对后续深度学习模型的发展产生了深远的影响。通过深刻理解VGG16，我们不仅能够掌握深度学习的基本原理，还能够在实际应用中更好地设计和选择合适的模型结构。VGG16的影响仍然在持续，对深度学习领域产生了积极而深远的影响。
Pytorch:自定义构建VGG16网络
weixin_43436958的博客
07-12 2027
  有的时候会遇上这样的问题，需要使用一个神经网络但是需要自定义，增加或者删减某层，这个时候没有办法使用pytorch自带的model来进行训练，这时怎么办呢？于是我研究出来了一种简单可行的办法供大家参考。用VGG16网络来举例，其他的效仿此方法就行。 1、先把pytorch自带的模型的网络结构输出来   比如VGG16网络，我们首先用如下代码输出模型结构： from torchvision import models import torch vgg = models.vgg16() print(vgg)
[图像识别]Pytorch搭建预训练VGG16实现10 Monkey Species Classification
Yann的博客
02-10 2216
[图像识别]Pytorch实现10 Monkey Species Classification 文章目录[图像识别]Pytorch实现10 Monkey Species Classification1.数据集选取1.1下载地址1.2数据集描述2.自定义torch数据集类2.1自定义数据集需要实现哪些功能2.2自定义数据集可能会用到的库2.3自定义类中的数据预处理模块2.4实现自定义类中的方法：3.搭建预训练网络3.1预训练网络需要导入的库3.2导入预训练模型3.3搭建全连接层4.网络训练4.1网络训练需要的
vgg16网络结构详解pytorch
06-28
### 回答1： VGG16是一种深度卷积神经网络，由Oxford大学的研究团队开发。它的网络结构非常简单，由16层卷积层和3层全连接层组成。其中，卷积层使用3x3的卷积核，步长为1，padding为1，池化层使用2x2的最大池化。VGG16的输入为224x224的RGB图像，输出为100个类别的概率分布。在训练过程中，VGG16使用了dropout和数据增强等技术，以避免过拟合。在PyTorch中，可以使用torchvision.models.vgg16()函数来构建VGG16网络。 ### 回答2： VGG16是一个经典的卷积神经网络模型，在ImageNet数据集上取得了很好的表现。它的名称来源于它的设计者——牛津大学视觉几何组（Visual Geometry Group，简称VGG），以及它的层数16层（13层卷积层和3层全连接层）。 VGG16的网络结构包含13层卷积层和3层全连接层，其中使用了小尺寸卷积核（3x3）和池化操作（2x2）来提取图像的特征，同时使用了ReLU激活函数增强非线性能力。具体来说，它的网络结构如下： 输入层：该层接收原始图像并进行预处理，包括进行裁剪、缩放和归一化操作。 卷积层1-2：这两层使用64个卷积核，步长为1个像素，padding为1个像素，采用ReLU激活函数。输出特征图的尺寸为224x224x64。 池化层1：使用2x2的池化核，步长为2个像素，进行下采样操作，输出特征图的尺寸为112x112x64。 卷积层3-4：这两层使用128个卷积核，步长为1个像素，padding为1个像素，采用ReLU激活函数。输出特征图的尺寸为112x112x128。 池化层2：使用2x2的池化核，步长为2个像素，进行下采样操作，输出特征图的尺寸为56x56x128。 卷积层5-7：这三层使用256个卷积核，步长为1个像素，padding为1个像素，采用ReLU激活函数。输出特征图的尺寸为56x56x256。 池化层3：使用2x2的池化核，步长为2个像素，进行下采样操作，输出特征图的尺寸为28x28x256。 卷积层8-10：这三层使用512个卷积核，步长为1个像素，padding为1个像素，采用ReLU激活函数。输出特征图的尺寸为28x28x512。 池化层4：使用2x2的池化核，步长为2个像素，进行下采样操作，输出特征图的尺寸为14x14x512。 卷积层11-13：这三层使用512个卷积核，步长为1个像素，padding为1个像素，采用ReLU激活函数。输出特征图的尺寸为14x14x512。 池化层5：使用2x2的池化核，步长为2个像素，进行下采样操作，输出特征图的尺寸为7x7x512。 全连接层1-3：这三层分别包含4096个神经元，其中第1、2层使用ReLU激活函数，并使用dropout方法来防止过拟合。 输出层：该层包含1000个神经元，对应ImageNet数据集的1000个类别，采用softmax函数进行分类。 VGG16网络结构的优点是简单易懂，且适用于许多计算机视觉任务。在实际应用中，我们可以使用预训练的VGG16模型对图像进行分类、目标检测等处理，也可以针对具体任务对VGG16网络结构进行微调。在使用pytorch训练VGG16模型时，我们可以使用torch.nn模块中的Conv2d、MaxPool2d、Linear等函数建立网络层，并采用CrossEntropyLoss等函数计算损失。 ### 回答3： VGG16是一种经典的深度卷积神经网络模型，在计算机视觉中应用广泛。它是由牛津大学的Simonyan与Zisserman于2014年提出的，是当时ImageNet图像分类任务的冠军，其模型结构简单、易于理解，因此被广泛使用。本文将详细介绍VGG16的网络结构及PyTorch中的实现。 1. VGG16网络结构 VGG16网络包含16个卷积层，由多个卷积层和池化层组成，以及两个全连接层。网络模型的输入为3通道彩色图像，大小为224x224。每个卷积层旁边都跟着一个ReLU激活函数，它的作用是激活输出值。 具体的结构如下： 1) 输入层：224x224x3的三通道彩色图像； 2) Conv3-64：3x3的卷积核，64个过滤器，stride=1，padding=1，输出尺寸为224x224x64； 3) Conv3-64：3x3的卷积核，64个过滤器，stride=1，padding=1，输出尺寸为224x224x64； 4) MaxPool2x2：2x2池化核，步长为2，输出尺寸为112x112x64。 重复6次，共7个卷积层和池化层： 5) Conv3-128：3x3的卷积核，128个过滤器，stride=1，padding=1，输出尺寸为112x112x128； 6) Conv3-128：3x3的卷积核，128个过滤器，stride=1，padding=1，输出尺寸为112x112x128； 7) MaxPool2x2：2x2池化核，步长为2，输出尺寸为56x56x128。 8) Conv3-256：3x3的卷积核，256个过滤器，stride=1，padding=1，输出尺寸为56x56x256； 9) Conv3-256：3x3的卷积核，256个过滤器，stride=1，padding=1，输出尺寸为56x56x256； 10) Conv3-256：3x3的卷积核，256个过滤器，stride=1，padding=1，输出尺寸为56x56x256； 11) MaxPool2x2：2x2池化核，步长为2，输出尺寸为28x28x256。 12) Conv3-512：3x3的卷积核，512个过滤器，stride=1，padding=1，输出尺寸为28x28x512； 13) Conv3-512：3x3的卷积核，512个过滤器，stride=1，padding=1，输出尺寸为28x28x512； 14) Conv3-512：3x3的卷积核，512个过滤器，stride=1，padding=1，输出尺寸为28x28x512； 15) MaxPool2x2：2x2池化核，步长为2，输出尺寸为14x14x512。 16) Conv3-512：3x3的卷积核，512个过滤器，stride=1，padding=1，输出尺寸为14x14x512； 17) Conv3-512：3x3的卷积核，512个过滤器，stride=1，padding=1，输出尺寸为14x14x512； 18) Conv3-512：3x3的卷积核，512个过滤器，stride=1，padding=1，输出尺寸为14x14x512； 19) MaxPool2x2：2x2池化核，步长为2，输出尺寸为7x7x512。 20) Flatten：将7x7x512的特征图展平成25088的向量； 21) FC-4096：全连接层，输入为25088，输出为4096； 22) FC-4096：全连接层，输入为4096，输出为4096； 23) FC-1000：全连接层，输入为4096，输出为1000个值（对应ImageNet数据集上的1000个类别）。 2. VGG16网络结构在PyTorch中的实现 在PyTorch中，可以使用torchvision.models模块中的VGG16函数来使用该模型。使用时需要注意，该模型默认使用ImageNet数据集训练，如果需要使用自己的数据集，需要自己进行适当修改。 具体实现代码如下： 首先，导入PyTorch和torchvision模块： import torch import torchvision.models as models 然后，加载预训练的VGG16模型： vgg16 = models.vgg16(pretrained=True) 预测图像时，需要将图像转换为模型所需的格式： transform = transforms.Compose([ transforms.Resize(224), transforms.CenterCrop(224), transforms.ToTensor(), transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225]) ]) 使用transform将输入图像转换后，就可以使用模型进行预测： img = Image.open('test.jpg') img_tensor = transform(img) img_tensor = img_tensor.unsqueeze(0) output = vgg16(img_tensor) predicted_class = torch.argmax(output, dim=1) 以上代码中，将test.jpg图像加载进来，使用transform将图像转换后，将其作为模型的输入，在模型中进行预测，最终输出该图像所属的类别。 总结 本文详细介绍了VGG16网络模型的结构以及在PyTorch中的实现方法。VGG16网络模型基于卷积层和池化层构建，具有较高的识别精度，特别适用于图像分类任务。在使用PyTorch进行实现时，除了加载模型以外，还需对数据进行必要的预处理，包括缩放、裁剪、归一化等操作。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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

打赏作者

码农男孩

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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