卷积神经网络（三）VGG Net模型结构

最新推荐文章于 2021-03-22 20:49:55 发布
最新推荐文章于 2021-03-22 20:49:55 发布
阅读量927 收藏 1
点赞数
分类专栏： 深度学习
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/qq_32939413/article/details/106975447
版权

在这里插入图片描述
版本：Tensordlow2.1
运行环境：Google Colaboratory

import os

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'
import keras_applications
import tensorflow as tf
from tensorflow.keras import datasets, Sequential, layers
from tensorflow.keras.layers import Conv2D, MaxPool2D, Dense, Flatten, Dropout
import matplotlib.pyplot as plt

# datasets download
(x, y), (x_val, y_val) = datasets.cifar10.load_data()
print(x.shape, y.shape)


def preprocess(x, y):
    """

    :param x:
    :param y:
    :return:
    """
    x = tf.cast(x, dtype=tf.float32) / 255.
    x = tf.reshape(x, [-1, 32, 32, 3])
    y = tf.one_hot(tf.cast(y, dtype=tf.int32), depth=10)
    y = tf.reshape(y, [-1, 10])
    return x, y


train_db = tf.data.Dataset.from_tensor_slices((x, y))
val_db = tf.data.Dataset.from_tensor_slices((x_val, y_val))
train_db = train_db.batch(256).map(preprocess)
val_db = val_db.map(preprocess)
sample = next(iter(train_db))
print(sample[0].shape, sample[1].shape)

model = Sequential([
    # unit1
    Conv2D(filters=64, kernel_size=(3, 3), activation='relu', padding='same', name='Block1_conv1',
           input_shape=(32, 32, 3)),
    Conv2D(filters=64, kernel_size=(3, 3), activation='relu', padding='same', name='Block1_conv2'),
    MaxPool2D(pool_size=(2, 2), strides=(2, 2), name='Block1_pool', padding='same'),
    # unit2
    Conv2D(filters=128, kernel_size=(3, 3), activation='relu', padding='same', name='Block2_conv1'),
    Conv2D(filters=123, kernel_size=(3, 3), activation='relu', padding='same', name='Block2_conv2'),
    MaxPool2D(pool_size=(2, 2), strides=(2, 2), name='Block2_pool', padding='same'),
    # unit3
    Conv2D(filters=256, kernel_size=(3, 3), activation='relu', padding='same', name='Block3_conv1'),
    Conv2D(filters=256, kernel_size=(3, 3), activation='relu', padding='same', name='Block3_conv2'),
    MaxPool2D(pool_size=(2, 2), strides=(2, 2), name='Block3_pool', padding='same'),
    # unit4
    Conv2D(filters=512, kernel_size=(3, 3), activation='relu', padding='same', name='Block4_conv1'),
    Conv2D(filters=512, kernel_size=(3, 3), activation='relu', padding='same', name='Block4_conv2'),
    MaxPool2D(pool_size=(2, 2), strides=(2, 2), name='Block4_pool', padding='same'),
    # unit5
    Conv2D(filters=512, kernel_size=(3, 3), activation='relu', padding='same', name='Block5_conv1'),
    Conv2D(filters=512, kernel_size=(3, 3), activation='relu', padding='same', name='Block5_conv2'),
    MaxPool2D(pool_size=(2, 2), strides=(2, 2), name='Block5_pool', padding='same'),
])

model.add(Flatten())  # 扁平化
model.add(Dense(4096, activation='relu'))
model.add(Dropout(rate=0.5))
model.add(Dense(4096, activation='relu'))
model.add(Dropout(rate=0.5))
model.add(Dense(10, activation='softmax'))
model.summary()

model.compile(optimizer='sgd', loss='categorical_crossentropy', metrics=['accuracy'])
history = model.fit(train_db, epochs=20, validation_data=val_db, shuffle=True)

plt.plot(history.history['loss'])
plt.plot(history.history['val_loss'])
plt.title('AlexNet')
plt.xlabel('epoch')
plt.ylabel('loss')
plt.legend(['Train', 'loss'])
plt.show()

输出：

Downloading data from https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz
170500096/170498071 [==============================] - 2s 0us/step
(50000, 32, 32, 3) (50000, 1)
(256, 32, 32, 3) (256, 10)
Model: "sequential"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
Block1_conv1 (Conv2D)        (None, 32, 32, 64)        1792      
_________________________________________________________________
Block1_conv2 (Conv2D)        (None, 32, 32, 64)        36928     
_________________________________________________________________
Block1_pool (MaxPooling2D)   (None, 16, 16, 64)        0         
_________________________________________________________________
Block2_conv1 (Conv2D)        (None, 16, 16, 128)       73856     
_________________________________________________________________
Block2_conv2 (Conv2D)        (None, 16, 16, 123)       141819    
_________________________________________________________________
Block2_pool (MaxPooling2D)   (None, 8, 8, 123)         0         
_________________________________________________________________
Block3_conv1 (Conv2D)        (None, 8, 8, 256)         283648    
_________________________________________________________________
Block3_conv2 (Conv2D)        (None, 8, 8, 256)         590080    
_________________________________________________________________
Block3_pool (MaxPooling2D)   (None, 4, 4, 256)         0         
_________________________________________________________________
Block4_conv1 (Conv2D)        (None, 4, 4, 512)         1180160   
_________________________________________________________________
Block4_conv2 (Conv2D)        (None, 4, 4, 512)         2359808   
_________________________________________________________________
Block4_pool (MaxPooling2D)   (None, 2, 2, 512)         0         
_________________________________________________________________
Block5_conv1 (Conv2D)        (None, 2, 2, 512)         2359808   
_________________________________________________________________
Block5_conv2 (Conv2D)        (None, 2, 2, 512)         2359808   
_________________________________________________________________
Block5_pool (MaxPooling2D)   (None, 1, 1, 512)         0         
_________________________________________________________________
flatten (Flatten)            (None, 512)               0         
_________________________________________________________________
dense (Dense)                (None, 4096)              2101248   
_________________________________________________________________
dropout (Dropout)            (None, 4096)              0         
_________________________________________________________________
dense_1 (Dense)              (None, 4096)              16781312  
_________________________________________________________________
dropout_1 (Dropout)          (None, 4096)              0         
_________________________________________________________________
dense_2 (Dense)              (None, 10)                40970     
=================================================================
Total params: 28,311,237
Trainable params: 28,311,237
Non-trainable params: 0
_________________________________________________________________
Epoch 1/20
196/196 [==============================] - 101s 517ms/step - loss: 2.3025 - accuracy: 0.1031 - val_loss: 2.3024 - val_accuracy: 0.1233
Epoch 2/20
196/196 [==============================] - 100s 509ms/step - loss: 2.3023 - accuracy: 0.1174 - val_loss: 2.3021 - val_accuracy: 0.1120
Epoch 3/20
196/196 [==============================] - 100s 512ms/step - loss: 2.3020 - accuracy: 0.1268 - val_loss: 2.3018 - val_accuracy: 0.1225
Epoch 4/20
196/196 [==============================] - 100s 510ms/step - loss: 2.3017 - accuracy: 0.1415 - val_loss: 2.3014 - val_accuracy: 0.1603
Epoch 5/20
196/196 [==============================] - 100s 510ms/step - loss: 2.3013 - accuracy: 0.1579 - val_loss: 2.3009 - val_accuracy: 0.1721
Epoch 6/20
196/196 [==============================] - 101s 514ms/step - loss: 2.3007 - accuracy: 0.1676 - val_loss: 2.3002 - val_accuracy: 0.1944
Epoch 7/20
196/196 [==============================] - 100s 510ms/step - loss: 2.2999 - accuracy: 0.1765 - val_loss: 2.2991 - val_accuracy: 0.1984
Epoch 8/20
196/196 [==============================] - 100s 510ms/step - loss: 2.2987 - accuracy: 0.1815 - val_loss: 2.2974 - val_accuracy: 0.2104
Epoch 9/20
196/196 [==============================] - 101s 513ms/step - loss: 2.2968 - accuracy: 0.1867 - val_loss: 2.2946 - val_accuracy: 0.2222
Epoch 10/20
196/196 [==============================] - 100s 510ms/step - loss: 2.2936 - accuracy: 0.1895 - val_loss: 2.2897 - val_accuracy: 0.2388
Epoch 11/20
196/196 [==============================] - 100s 510ms/step - loss: 2.2878 - accuracy: 0.1881 - val_loss: 2.2800 - val_accuracy: 0.2178
Epoch 12/20
196/196 [==============================] - 101s 514ms/step - loss: 2.2741 - accuracy: 0.1829 - val_loss: 2.2539 - val_accuracy: 0.1891
Epoch 13/20
196/196 [==============================] - 100s 510ms/step - loss: 2.2216 - accuracy: 0.1727 - val_loss: 2.1703 - val_accuracy: 0.1859
Epoch 14/20
196/196 [==============================] - 100s 510ms/step - loss: 2.1630 - accuracy: 0.1827 - val_loss: 2.1334 - val_accuracy: 0.2134
Epoch 15/20
196/196 [==============================] - 101s 515ms/step - loss: 2.1330 - accuracy: 0.1907 - val_loss: 2.0949 - val_accuracy: 0.2240
Epoch 16/20
196/196 [==============================] - 100s 510ms/step - loss: 2.1070 - accuracy: 0.2051 - val_loss: 2.0692 - val_accuracy: 0.2306
Epoch 17/20
196/196 [==============================] - 100s 511ms/step - loss: 2.0787 - accuracy: 0.2187 - val_loss: 2.0274 - val_accuracy: 0.2538
Epoch 18/20
196/196 [==============================] - 101s 514ms/step - loss: 2.0499 - accuracy: 0.2319 - val_loss: 1.9917 - val_accuracy: 0.2707
Epoch 19/20
196/196 [==============================] - 100s 510ms/step - loss: 2.0226 - accuracy: 0.2437 - val_loss: 1.9686 - val_accuracy: 0.2793
Epoch 20/20
196/196 [==============================] - 100s 510ms/step - loss: 1.9990 - accuracy: 0.2541 - val_loss: 1.9402 - val_accuracy: 0.2896

在这里插入图片描述
可能是由于训练的时间较短，所以效果并不明显；

Shine.Zhang
关注
专栏目录
智能数字图像处理：VGGNet代码（pytorch）之train.py解读
com_fang_bean的博客
09-09 1078
唯一与其他模型的train.py不同的是VGGNet有一个实例化模型的方法，即能选择model.py中不同的模型进行实例化再训练。 model_name = "vgg16" net = vgg(model_name=model_name, num_classes=5, init_weights=True) net.to(device) loss_function = nn.CrossEntropyLoss() optimizer = optim.Adam(net.parameters(), lr=0.00
【深度学习 CNN】卷积神经网络模型--VGGNet（CNN )
赖德发的博客
01-04 1760
VGGNet 网络结构诞生自牛津大学视觉几何组（Visual Geometry Group），也因此依照传统以作者VGG命名而来。算法思想：从网络设计思路来看，VGGNet是继承了AlexNet 的思路，以AlexNet 为基础，尝试建立了一个层次更多、深度更深的网络。其网络结构一样可以有8个层次所构成。也是5层卷积层，3层全连接层。最主要的区别在于，VGGNet的每个卷积网层并不是只做一次卷积操作
VGG网络结构
weixin_30478923的博客
04-25 109
这个结构其实不难，但是它里面训练的一些东西我还没有搞清楚，打算把昨天写的代码传上来，方便日后来看，发现了一个很有意思的库叫TF-slim打算哪天看看有没有好用的东西 from datetime import datetime import math import time import tensorflow as tf import numpy as np """ creat...
计算机视觉知识点-基础网络-VGGNet
蓝色的杯子
08-31 354
VGGNet是英国剑桥Visual Geometry Group (VGG)小组提出的一个分块概念的网络结构，取得了2014年imagenet分类任务的冠军。VGGNet有这接特征： 1) 使用maxpool，dropout, relu 2) 使用blok的概念，简化设计 3) 卷积层通过 kernel=3，padding=1保存输入尺寸 4) 使用pool_size=2， alexnet的pool_size=3， pooling层使分辨率减半 5) 提出一个这样的块结构，每个块都是几个卷积层加一个..
pytorch（3）--VGG block和 Resnet block
AP1005834的博客
03-22 3864
一、前言 本篇记录 VGG Block和Resnet Block 经典结构 二、VGGblock VGG Block 可由两层conv3或三层conv3组成，两层的感受野和一层conv5一样，三层conv3的感受野和一层conv7是一样的，但是能够减少计算量，以下为不同的VGGblock搭配的VGG网络 包含两层conv3的VGG block 代码如下，CBR-CBR，无池化层 class VGGBlock(nn.Module): def __init__(self,...
【项目实战】Python基于卷积神经网络CNN模型和VGG16模型进行图片识别项目实战
02-14
在这个【项目实战】中，我们将深入探讨如何使用Python编程语言结合卷积神经网络（CNN）和VGG16模型进行图像识别。这是一个典型的深度学习应用，涵盖了从数据获取到模型训练和评估的完整流程。 首先，我们要理解项目...
【卷积神经网络变体模型】VGG模型
03-04
内容概要：VGG模型是一种卷积神经网络变体模型，由牛津大学视觉几何组（Visual Geometry Group）提出。VGG模型以其简单而有效的网络结构而闻名，其核心特点是采用多个较小尺寸的卷积核和池化层来构建深层网络。 适用...
卷积神经网络-基于VGGNet实现的遥感图像分类算法.zip
05-03
卷积神经网络（Convolutional Neural Networks，简称CNN）是一种深度学习模型，特别适用于处理具有网格状结构的数据，如图像。在本项目中，我们关注的是如何利用VGGNet架构来实现遥感图像的分类算法。 VGGNet是由...
基于卷积神经网络VGG16模型花卉分类与手势识别.docx
07-05
卷积神经网络（CNN）是深度学习领域中的关键模型，尤其在图像识别和分类任务上表现出色。VGG16模型是由牛津大学视觉几何组（Visual Geometry Group）开发的，是2014年ImageNet挑战赛的有力竞争者。它的主要特点是...
基于卷积神经网络VGG16模型花卉分类与手势识别.docx基于卷积神经网络VGG16模型花卉分类与手势识别_.docx
最新发布
05-23
### 基于卷积神经网络VGG16模型的花卉分类与手势识别 #### 一、模型基本框架 在本研究中，我们使用的模型是深度学习领域内经典的VGG16卷积神经网络模型。VGG16因其深度结构和良好的泛化能力而在图像分类任务中表现...
卷积神经网络常见三层的介绍
QQ_2642160196的博客
02-01 4579
卷积层：输入与滤波器做元素积，再求和，即得到输出中对应的一个元素（滤波器可以不翻转）。 池化层：每个通道单独池化，其中，一个通道就代表所提取到的一种特征在图片中的分布，值越大，代表这种特征在该区域就越明显，值越小，代表这种特征在该区域几乎没有，池化后的输出也是保持这样。 最常用的是 最大池化，其次是平均池化。 注意：池化层没有参数要进行学习（更新），它只有超参数（人为设置），无权重矩阵和...
VGGNet网络结构
热门推荐
牧野的博客
02-05 7万+
深度神经网络一般由卷积部分和全连接部分构成。卷积部分一般包含卷积（可以有多个不同尺寸的核级联组成）、池化、Dropout等，其中Dropout层必须放在池化之后。全连接部分一般最多包含2到3个全连接，最后通过Softmax得到分类结果，由于全连接层参数量大，现在倾向于尽可能的少用或者不用全连接层。神经网络的发展趋势是考虑使用更小的过滤器，如1*1,3*3等；网络的深度更深（2012年AlenNet
VGGNet网络结构学习
Maple__Boy
10-29 3175
前言 VGG是Oxford的Visual Geometry Group的组提出的（大家应该能看出VGG名字的由来了）。该网络是在ILSVRC 2014上的相关工作，主要工作是证明了增加网络的深度能够在一定程度上影响网络最终的性能。VGG有两种结构，分别是VGG16和VGG19，两者并没有本质上的区别，只是网络深度不一样。 VGGNet网络 深度神经网络一般由卷积部分和全连接部分构成。卷积部分一般包含卷积（可以有多个不同尺寸的核级联组成）、池化、Dropout等，其中Dropout层必须放在池化之后。全连接部
深度学习VGG模型核心拆解
CSDN 区块链
01-09 7000
如今深度学习发展火热，但很多优秀的文章都是基于经典文章，经典文章中的一句一词都值得推敲和分析。此外，深度学习虽然一直被人诟病缺乏足够令人信服的理论，但不代表我们不能感性分析理解，下面我们将对2014年夺得ImageNet的定位第一和分类第二的VGG网络进行分析，在此过程中更多的是对这篇经典文章的感性分析，希望和大家共同交流产生共鸣，如果有理解不到位的也真诚期待指出错误。Simonyan, Kare...
VGGNet理解
weixin_41771650的博客
01-06 605
VGGNet VGG论文给出了一个非常振奋人心的结论：卷积神经网络的深度增加和小卷积核的使用对网络的最终分类识别效果有很大的作用。 Q1: 为什么3个3x3的卷积可以代替7x7的卷积？ 3个3x3的卷积，使用了3个非线性激活函数，增加了非线性表达能力，使得分割平面更具有可分性 减少参数个数。对于C个通道的卷积核，7x7含有参数77cc， 3个3x3的参数个数为3∗33cc，参数大大减少。两个３...
经典卷积神经网络（3）--VGGNet卷积网络模型
学习随笔
04-29 3712
相关介绍 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的深度卷积神经网络。 他们研究了卷积网络深度在大规模的图像识别环境下对准确性的影响。他们的主要贡献是使用非常小的（3×3）卷积滤波器架构对网络深度的增加进行了全面评估，这表明通过将深度推到16-19加权层可以实现对现有技术配置的显著改进。这些发现是他们...
CNN网络结构之VGG
m0_37223909的博客
05-07 691
VGG网络 1. 网络结构 2. 为什么VGG要用3*3的小卷积核 2.1 前提 两个3 * 3的卷积核(堆叠)和一个5 * 5的卷积核感受野相同 RF(2 x Conv3) = RF(1 x Conv5) RF(3 x Conv3) = RF(1 x Conv7) 证明 假设图片是32 * 32的 使用5 * 5的卷积核对其卷积，步长为1，不填充 根据计算公式（n...
CNN经典算法VGGNet介绍（论文详细解读）
徐先森的博客
07-06 1万+
CNN经典算法VGGNet介绍 本文是深度学习经典算法解读的一部分，原文发之：https://www.datalearner.com/blog/1051558603213207 来源论文：Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for large-scale image recogniti...
常见的卷积神经网络模型
liu1073811240的博客
11-15 7234
文章目录一、LeNet二、AlexNet2.1 AlexNet的优点三：VGGNet3.1 VGG的特点3.2 VGG与AlexNet的比较四：GoogLeNet(Google inception Net)总结 一、LeNet        LeNet诞生于1994年，由深度学习三巨头之一的Yan LeCun提出，他也被称为卷积神经网络之父。        LeNe
cnn卷积神经网络包括VGG-Net卷积神经网络吗
04-12
卷积神经网络（Convolutional Neural Network，CNN）是一种深度学习模型，主要用于图像识别和计算机视觉任务。它的核心思想是通过卷积层、池化层和全连接层等组件来提取图像的特征，并进行分类或回归等任务。 VGG-Net是一种经典的卷积神经网络结构，由牛津大学的研究团队提出。它的主要特点是采用了多个较小的卷积核和池化层，使得网络具有更深的层级结构。VGG-Net的网络结构非常简洁，主要由卷积层和全连接层组成，其中卷积层使用了3x3的卷积核，并通过池化层进行下采样。 VGG-Net的网络结构可以分为多个阶段，每个阶段包含若干个卷积层和池化层。最常用的VGG-Net结构是VGG16和VGG19，分别包含16个和19个卷积层。这些卷积层之后是若干个全连接层，最后通过softmax函数进行分类。
评论 2
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

Shine.Zhang

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