VGG16理论部分笔记（名词解释）

最新推荐文章于 2024-05-03 10:04:38 发布
最新推荐文章于 2024-05-03 10:04:38 发布
阅读量1k 收藏 14
点赞数
文章标签： 深度学习 神经网络 pytorch
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_37055003/article/details/120235897
版权

总览

按照本人的学习理念，学习一个理论知识之前先总览一下它大概是个什么东西，话不多说先把VGG16经典概念图摆出来。

 第一次看到这个图我有点头大，但是不用慌，至少我已经明白了，一张图片从左到右尺寸慢慢变小了，同时厚度却在慢慢变厚，可能它是一个类似压缩的过程。ok，现在可以开始深入了解了。

名词解释

卷积、卷积核

在解释卷积之前，我们需要了解一张图片的构成 ，我们现在见到的彩色图片有RGB三个色彩通道，分别对应Red、Green、Blue，每个通道（channels）我们可以理解为若干个像素组成的二维数组，每个格子的0-255的数值分别代表相应的像素值。假设有一张300*300的图片，就可以用（300*300*3）的数组来代表这张图片。

查看源图像

                                  

 那么什么是卷积，就是用一个小矩阵——也就是卷积核（filter），在这样的矩阵里按特定的步长进行扫描，步长为1，则代表每次移动一格，如下图。

每次卷积核的停留都能得到一个数字，最终组成一个新的矩阵，假如原图像边长为5，那么新得到的矩阵边长就为3，相差的2是由卷积核尺寸决定的。上图中卷积核尺寸为3*3，如果卷积核是4*4，那么差为4-1=3，新通道边长为5-3=2。

卷积核中每个格子里的乘数，就称为卷积核权重参数，每次停留，都将原矩阵里相应位置的数值与参数相乘并相加，这样就得到新矩阵相应位置的数值。

如上图所示，在这个过程中其实原图有三个通道（矩阵），那么我们就需要在三个通道中都扫描一遍，并且将所得到的三个新矩阵再相加，得到最终的卷积特征图谱。具体参考(2条消息) 【CNN】理解卷积神经网络中的通道 channel_scxyz的博客-CSDN博客_卷积神经网络通道数

就可以清晰了解原理了。另外在使用卷积核时，卷积核的通道数（channels）必须和输入的图片通道数一致，也就是3。

padding

padding指的是让新得到的矩阵尺寸保持不变，在卷积前用padding指令将原矩阵周围围上一圈，于是得到7*7的矩阵，最终得到的就是5*5的新矩阵。

padding包括两种模式

SAME模式：输出尺寸等于输入尺寸除以步长向上取整，s是步长大小；

这里写图片描述

VALID模式：输入和输出尺寸关系如下

这里写图片描述 

输出大小等于输入大小减去滤波器大小加上1，最后再除以步长（f为滤波器的大小，s是步长大小）。

卷积层

此时，我们再回到VGG16流程图，就可以理解第一步中变化的原理了。

 从左到右我们使用了64个3*3的channels为3的卷积核（3*3*3的卷积核）来进行卷积，并且进行了padding处理，最终得到224*224的channels为64的新矩阵，此时我们称其为224*224*64的卷积层（Convolutional Layer），用conv3-64表示，3代表使用的是3*3的卷积核，64代表的是通道数。右边有两个卷积层，证明我们进行了两次卷积。

 留坑

没想到这写起来这么麻烦，写着写着感觉反而变混乱了😅。其它的名词解释我就放下面备忘了。

 全连接层

VGG16流程图中蓝色的即为全连接层（Fully connected Layer）,用FC-XXXX表示。对n-1层和n层而言，n-1层的任意一个节点，都和第n层所有节点有连接。即第n层的每个节点在进行计算的时候，激活函数的输入是n-1层所有节点的加权。像下面的中间层就是全连接方式。

 

 池化、池化层

卷积操作后我们提取了很多特征信息，相邻区域有相似特征信息，可以相互替代的，如果全部保留这些特征信息就会有信息冗余，增加了计算难度，这时候池化就相当于降维操作。池化是在一个小矩阵区域内，取该区域的最大值或平均值来代替该区域，该小矩阵的大小可以在搭建网络的时候自己设置。小矩阵也是从左上角扫到右下角。如下图

 VGG16流程图中红色的即为池化层（Pool layer）,用maxpool表示。

flatten

flatten 是指将多维的矩阵拉开，变成一维向量来表示，常用在从卷积层到全连接层的过渡。在流程图中代表的是蓝红色方块间的过渡。

权重层

卷积层和全连接层具有权重系数，因此也被称为权重层，在VGG16中总数目为13+3=16，这即是

VGG16中16的来源。而VGG来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。

 权重参数

 权重参数包括卷积核权重和全连接层权重。

  • 对于第一层卷积，由于输入图的通道数是3，网络必须学习大小为3x3，通道数为3的的卷积核，这样的卷积核有64个，因此总共有（3x3x3）x64 = 1728个参数
  • 计算全连接层的权重参数数目的方法为：前一层节点数×本层的节点数前一层节点数×本层的节点数。因此，全连接层的参数分别为：
    • 7x7x512x4096 = 1027,645,444
    • 4096x4096 = 16,781,321
    • 4096x1000 = 4096000

可以看出VGG的参数数量很大，拟合能力很强，但是缺点就在于训练时间长、需要的存储容量大。 

 总结

理论的理解大概就到这里了，最后的三个全连接层和softmax之间的联系与转换流程还没有完全理解，我打算后续在实践当中边用边学。

从网上了解了很多VGG16的知识，以下是我作为参考的网站地址

卷积神经网络VGG16这么简单，为什么没人能说清？ (sohu.com)

VGG16学习笔记 - Rogn - 博客园 (cnblogs.com)

(2条消息) TensorFlow中padding卷积的两种方式“SAME”和“VALID”_syyyy712的博客-CSDN博客

【CNN】理解卷积神经网络中的通道 channel_scxyz的博客-CSDN博客_卷积神经网络通道数

感谢网络的发达和善于分享的前辈，接下来开始进入实践部分，加油！

 

 

 

 

 

 

 

 

     

 

 

 

 

 

 

 

 

qq_37055003
关注
  • 0
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
vgg16_VGG16_
10-01
opencv，python版本，vgg16程序，希望对大家有用。
ML、DL、CNN学习记录2
Alvin_hcf的Blog
08-15 233
文章目录ML、DL、CNN学习记录2图片通道CNN卷积卷积如何操作卷积核大小卷积的意义卷积后大小卷积后大小计算公式（占的内存）卷积后大小计算公式（运算时间）1x1的卷积核激活函数Pooling架构paddingnetLeNetVGG netGoogleNetInception运算次数ResNet设计拓扑结构DenseNet更深的卷积感受野softmaxQ ML、DL、CNN学习记录2 图片通道 单通道：8 位深度 三通道：3 * 8 = 24 位深度 CNN inpt layer -> hidde
VGG总结
qq_43211182的博客
10-15 1116
为加深印象做一些笔记。 权重层：具有权重系数的层，如卷积层和全连接层。VGG-19含有16个卷积层+3个全连接层；VGG-16含有13个卷积层+3个全连接层. VGG-19的网络结构： input 2242243 conv3-64(stride=1，padding=same) conv3-64(stride=1，padding=same) maxpooling(22) conv3-128(stri...
卷积神经网络各卷积层输入输出及权重尺寸
aixuexidelele的博客
12-09 4306
卷积神经网络各尺寸的计算 Feature map数量和尺寸, 神经元的数量，连接数量，权重size 几个参数 输入尺寸：in_size 输出尺寸：out_size 卷积核：k (kernel_size) 填充值的大小：P（padding） 步长大小：S (stride) 则： 例子： eg: 卷积层各参数为： nn.Conv2d(in_channels=3,out_channels=96,kernel_size=12,stride=4,padding=2) 输入：256*256的3通道RGB图片 -
经典网络VGG16
wwwsssZheRen的博客
03-08 4681
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...
卷积神经网络 CNN 学习
IT__learning的博客
07-08 7527
什么是神经网络 人工神经网络（artificial neural network，ANN），简称神经网络（neural network，NN），是一种模仿生物神经网络的结构和功能的数学模型或计算模型。神经网络由大量的人工神经元联结进行计算。大多数情况下人工神经网络能在外界信息的基础上改变内部结构，是一种自适应系统。现代神经网络是一种非线性统计性数据建模工具，常用来对输入和输出间复杂的关系进行建模，或用来探索数据的模式。 神经网络由神经元、节点与节点之间的连接（突触）所构成，如下图： 每个神经网络单元抽象出
CNN中的权重维度解析以及卷积核中的数值是怎么确定的
热门推荐
微电子学与固体电子学-俞驰
01-21 2万+
以《python深度学习》第五章第一个实验为例，神经网络结构如下： 首先最上面一个池化层max_pooling2d_1:MaxPooling2D 的结果是：(64,) 也就是说相对于下一个卷积层conv2d_2:Conv2D的输入是一个64个像素点的图片。 由于conv2d_2:Conv2D中卷积核大小指定为(3,3)，channel为64 意思也就是： 在输入的64个像素的图片中，使用3x3的...
全连接层的作用是什么？
垃圾就应该待在垃圾桶里的博客
03-05 2086
全连接层到底什么用？我来谈三点。 （1）全连接层（fully connected layers，FC）在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话，全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。在实际使用中，全连接层可由卷积操作实现：对前层是全连接的全连接层可以转化为卷积核为1x1的卷积；而前层是卷积层的全连接层可以转化为卷积核为hxw的全局卷积，h和w分别为前层卷积结果的高和宽（注1）。 （2）目前由于全连接层参数冗
机器学习笔记：VGG 16
qq_40206371的博客
09-29 2073
1 VGG模型结构 VGG中根据卷积核大小和卷积层数目的不同，可分为A，A-LRN,B,C,D,E共6个配置(ConvNet Configuration)，其中以D,E两种配置较为常用，分别称为VGG16和VGG19。 2 vgg16 以vgg16为例，它一共有： 13个卷积层（Convolutional Layer），分别用conv3-XXX表示 3个全连接层（Fully connected Layer）,分别用FC-XXXX表示 5个池化层（Po...
卷积神经网络（CNN）
qq_40128284的博客
03-26 757
转载自：https://www.cnblogs.com/hesi/p/9013205.html 卷积神经网络的结构由输入层、卷积神经层（Convolutional Layer）、下采样层(Pooling Layer)、全连接层（Fully Connected Network）及输出层构成[20]。其中卷积神经网络层、下采样层、全连接被合称为隐含层。 在卷积神经网络中，卷积神经层与下采样层的连接...
vgg16.npy下载
07-14
支持vgg16网络的权重初始化。
vgg16.mlpkginstall
04-16
用matlab在文件夹下双击打开即可开始安装，不过安装过程需要登录账户，pj版的matlab点击后可能不能登录，在安装过程中登录即可登录成功，并安装
VGG16-Tensorflow:VGG16的Tensorflow实现
05-02
VGG16的实施除了代码本身的注释外，我还写了一篇文章，您可以...内容vgg16.py ：带有vgg16.py的图形定义的类。 VGG16 Train.ipynb ：笔记本，用于培训和测试VGG16的实现。 如果您在查看笔记本文件时遇到问题，请单击。
利用vgg16进行二分类-vgg16.zip
04-05
利用vgg16进行的猫狗图像的分类，由于其在模型比普通的cnn的层更加复杂，所以分类效果较优。同时可根据结果添加dropout层避免出现的过拟合现象。训练和测试图像较大没有放上来，可私聊/评论后发送。
深度学习之基于Vgg16卷积神经网络印度交警手势识别系统
最新发布
Q1744828575的博客
05-03 794
一、项目背景随着智能交通系统的发展，手势识别技术成为了一个关键组成部分，特别是在交通管理领域。在印度等人口稠密、交通繁忙的国家，交警手势在指挥交通中扮演着至关重要的角色。然而，由于人为因素和环境因素的影响，传统的交警手势识别方法往往存在识别不准确、反应速度慢等问题。因此，本项目旨在利用深度学习技术，特别是VGG16卷积神经网络，构建一个能够准确、快速地识别印度交警手势的系统。二、项目目标本项目的主要目标是通过深度学习技术，利用VGG16卷积神经网络实现对印度交警手势的自动、准确识别。
深度学习之视觉特征提取器——LeNet
m0_61787307的博客
04-30 422
LeNet是是由深度学习巨头Yann LeCun在1998年提出，可以算作多层卷积网络在图像识别领域的首次成功应用。我们现在通常说的LeNet是指LeNet-5，最早的LeNet-1在1988年即开始研究，前后持续十年之久。但是，受限于当时计算机算力的发展，以及本有的SVM技术效果就十分优秀，这一技术并没有得到广泛重视。然而，在以卷积神经网络为基础构建起的计算机视觉的今天，不得不感慨，二十年后今天的LLM或者是什么模型，会成为曾经的CNN/LeNet。
深度学习之基于Matlab NN的伦敦房价预测
Q1744828575的博客
04-30 804
一、项目背景房价预测是房地产领域的一个重要问题，对于投资者、开发商以及政策制定者等都具有重要的指导意义。随着深度学习技术的不断发展，其在房价预测领域的应用也越来越广泛。本项目旨在利用Matlab神经网络（NN）工具箱，构建一个基于深度学习的伦敦房价预测模型，以实现对伦敦地区房价的准确预测。二、项目目标数据收集与预处理：收集伦敦地区的房价数据，包括房屋类型、面积、地理位置、周边环境等信息，并进行数据清洗、去噪、标准化等预处理操作，以提高数据质量。
手写数字识别：基于决策树算法，KNN算法，支持向量机（SVM）算法与卷积神经网络（CNN）算法
weixin_43784341的博客
04-30 458
对于手写数字识别任务，我们可以使用不同的机器学习算法来实现，包括决策树、K最近邻（KNN）、支持向量机（SVM）和卷积神经网络（CNN）。下面我将为你提供每种算法的基本代码示例。这些是每种算法的基本实现示例。对于CNN算法，我们使用了Keras来构建模型，因为Keras提供了更简单易用的API来构建神经网络。
PyTorch与深度学习
beautifulmemory的博客
04-27 1373
超参数# 定义卷积神经网络模型nn.ReLU(),nn.ReLU(),return out# 损失函数和优化器# 测试模型total = 0print('测试集准确率: {} %'.format(100 * correct / total))这就是一个简单的深度学习程序示例，使用PyTorch构建和训练卷积神经网络对手写数字进行分类。你可以根据需要进行修改和扩展。
VGG16图像预处理的部分
05-05
VGG16是一个经典的卷积神经网络模型，常用于图像分类任务。在使用VGG16进行图像分类前，需要对图像进行预处理。VGG16对输入图像的预处理包括以下三个步骤： 1. 调整图像大小：将输入图像大小调整为224x224像素。 2. 中心化图像：将每个像素的RGB值减去训练集中所有图像像素RGB值的平均值，即减去[123.68, 116.78, 103.94]。 3. 标准化图像：将中心化后的图像除以训练集中所有图像像素RGB值的标准差，即除以[58.393, 57.12, 57.375]。 可以使用Python中的PIL库和numpy库来实现这些步骤，代码如下： ```python from PIL import Image import numpy as np def preprocess_image(image_path): # Load image and resize to 224x224 img = Image.open(image_path) img = img.resize((224, 224)) # Convert PIL image to numpy array img_array = np.array(img) # Subtract mean RGB value and transpose array img_array = img_array - np.array([123.68, 116.78, 103.94]) img_array = img_array.transpose((2, 0, 1)) # Normalize image img_array = img_array / np.array([58.393, 57.12, 57.375]) # Add batch dimension img_array = np.expand_dims(img_array, axis=0) return img_array ``` 这个函数将输入图像的路径作为参数，返回一个预处理后的图像numpy数组。这个numpy数组可以作为输入传递给VGG16模型进行分类。

“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
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