VGGNET学习笔记

VGGNET全部使用了3*3的卷积核和2*2的池化核,通过不断加深网络结构来提升性能。从11层到19层都有详尽的性能测试。

从A到E的每一级网络加深,但参数量变化不大,因为参数量主要消耗在最后三个全连接层,但训练耗时部分还是卷积。

1*1的卷积的意义在于线性变换,没有发生降维。

两个2*2的卷积层串联相当于1个5*5的卷积层,3个3*3相当于1个7*7,但是参数量是后者的3*3*3/7*7=55%,而且3个3*3的卷积核拥有更多的非线性变换,

可以使用三次ReLU激活函数,使对特征的学习能力更强。

VGGNET训练时先训练A的网络,用得到的权重初始化后面复杂的模型。

作者在对比各级网络时总结出:

1.LRN层作用不大

2.越深的网络效果越好

3.1*1的卷积很有效,但没有3*3的卷积好,大一些的卷积核能学到更大的空间特征。

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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