pytorch搭建VGG网络

前言

这篇内容主要参考了B站的一个Up主的视频~~

• 视频链接 https://www.bilibili.com/video/BV1i7411T7ZN
• up主的github：https://github.com/WZMIAOMIAO/deep-learning-for-image-processing

VGG

论文地址
VGG 在2014年由牛津大学著名研究组 VGG（Visual Geometry Group） 提出，斩获该年 ImageNet 竞赛中 Localization Task（定位任务）第一名和 Classification Task（分类任务）第二名。
主要创新点：通过堆叠多个小卷积核来代替大卷积核，以此来减少参数。 论文提到，两个3x3的卷积核可以代替一个5x5的卷积核，三个3x3的卷积核可以代替一个7x7的卷积核。
看下图方便理解~

感受野的计算公式为：F(i)=(F(i+1)−1)×Stride +Ksize （VGG网络中Stride默认为1）

• F(i) 为第 i 层感受野
• Stride 为第 ii 层的步距
• Ksize 为 卷积核 或 池化核 尺寸

算一下感受野~

Feature map: F=1
Conv3x3(3): F=(1−1)×1+3=3
Conv3x3(2): F=(3−1)×1+3=5
Conv3x3(1): F=(5−1)×1+3=7

再比较一下参数~

对于一个7x7的卷积核需要：7x7xCxC = 49 C^2
三个3x3的卷积核需要：3x3xCxC + 3x3xCxC + 3x3xCxC = 27 C^2

网络实现

import torch
import torch.nn as nn
import torch.functional as F


#数字代表卷积核个数，M表示池化层,和表格对应
cfgs = {
   
    'vgg11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],											# 模型A
    'vgg13':</