复现VGG（keras and pytorch）

---

前言

VGG 系列模型是十分优秀的模型，现在很多网络中都还能看见它的身影。本文重新整理了一下VGG16 Keras 版本的复现代码。用迁移学习的方式去加载权重，然后训练模型。

一、VGGNet

1.简介

随着深度学习的不断发展，加深的网络开始不断的出现了，VGGNet 验证了卷积网络的加深，的确能够提升网络的性能，但计算量也随之增大了。VGGNet 在2014年ILSVRC得到挑战赛中赢得了定位任务的冠军和分类任务的亚军。VGGNet的思想就是采用2个3x3的卷积核代替了5x5的卷积核，网络的结构也从传统的卷积池化相连，变成了多层卷积后再跟池化相连。有两种基本类型的VGGNet 就是我们常用的VGG16 和VGG19.

2. 网络结构

神经网络，通常都是上图比较直接。

• A模型: 拥有八个卷积层(卷积核核大小均为3×3)，5个最大池化和3个全连接层。
• A-LRN模型：卷积核核大小均为3×3，与A模型几乎完全相同，唯一的区别就是第一个卷积后加入了LRN(局部响应归一化层,在前面的文章AlexNet中提出)。但是通过实验证明LRN不仅会增加计算时候和内存消耗，对网络性能，并没有很大的提升。所以在后续的网络中都取消了。
• B模型：拥有10个卷积层(核大小均为3×3)、 5个最大池化层和3个全连接层。
• C模型：拥有13个卷积层(10个核大小为3×3, 3个核大小为1×1)、 5个最大池 化层和 3 个全连接层。
• D模型:拥有13个卷积层(核大小均为3×3)、 5个最大池化层和3个全连接层。
• E模型:拥有16个卷积层(核大小均为3×3)、 5个最大池化层和3个全连接层。
  D，E模型就是我们常说的VGG16和VGG19啦！！！！

2.Keras复现

Keras的复现就相对比较简单了，卷积池化的不断堆叠。但再这里我重点去介绍的是Keras中的ImageDataGenerator，它可以批量读取数据，并进行数据增强，不用一次把数据读入内存中。也是防止内存溢出的方法。参数含义再代码里都有注解，这里不再赘述。
先看一下VGG16的详细结构。

keras 中自带VGG16的结构 我们可以通过下面的操作方式来下载预训练权重：

from keras.applications.vgg16 import VGG16
moded2 = VGG16(weights='imagenet',include_top=True)

提示下载后的权重默认存放在 C:\Users\username\.keras\models目录下

首先先来定义VGG16的具体结构,并且加载与训练权重：

from keras import layers
from keras.layers import (Activation, AveragePooling2D,
                                     BatchNormalization, Conv2D, Dense,
                                     Flatten, Input, MaxPooling2D,
                                     ZeroPadding2D)
from keras.models import Model


def vgg16(conv_arch,input_shape=(224,224,3),classes=1000):
    #------------------------------------------------------------
    # conv_arch = ((2, 64), (2, 128), (3, 256), (3, 512), (3, 512)) 
    # 第一个数字表示重复次数，第二个数字表示卷积核的个数
    # input_shape # 输入图片的大小
    #  classes   # 分类数
    # ----------------------------------------------------------
    inputs = Input(shape=input_shape)

    x = inputs

    for (num_convs,num_filter) in conv_arch:
        for _ in range(num_convs):
            x = Conv2D(num_filter,kernel_size=3,padding='same',activation='relu')(x)
        
        x=MaxPooling2D(pool_size=(2, 2), strides=2)(x)

    x = Flatten(name='flatten')(x)
    x = Dense(4096, activation='relu', name='fc1'