LeNet、AlexNet、VggNet、GoogLeNet、ResNet、MobileNet网络详解

最新推荐文章于 2023-11-22 14:58:01 发布
最新推荐文章于 2023-11-22 14:58:01 发布
阅读量1.4k 收藏 28
点赞数 3
分类专栏： 深度学习 文章标签： 深度学习
原文链接：https://blog.csdn.net/qq_37541097
版权

这里写目录标题

Faster RCNN

内容：
①详解Faster RCNN理论
https://www.bilibili.com/video/BV1af4y1m7iL
②Faster RCNN源码解析(pytorch)
https://www.bilibili.com/video/BV1of4y1m7nj

LeNet

内容：
①详解LeNet-5模型
②用Pytorch搭建LeNet-5模型且基于CIFAR-10数据集训练
https://blog.csdn.net/qq_45445740/article/details/106827428

AlexNet

https://blog.csdn.net/qq_37541097/article/details/104409156
内容：
①AlexNet网络结构详解视频
②使用pytorch搭建AlexNet并针对花分类数据集进行训练
③视频最后中也介绍了如何训练自己的数据集进行处理与预测

VggNet

参考博客：
https://blog.csdn.net/qq_37541097/article/details/104410535
VGG详细讲解：https://www.bilibili.com/video/BV1fU4y1E7bY

  内容：
①VGG网络结构详解视频：详解感受野的计算：目的是减少参数的个数
可以参考8.1.3加深层的动机 https://blog.csdn.net/qq_45445740/article/details/106412732
②使用pytorch搭建VGG并训练
PS：VGG训练的时间较长，效果也不是太理想，若需要使用的话，建议使用迁移学习的方法，去训练自己的样本集。

VGG所有种类网络结构

在这里插入图片描述

VGG所有种类网络结构的参数量

在这里插入图片描述

VGG16网络结构图

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
  VGG的第一层全连接层占据了绝大部分参数原因：需要将上一层7×7×512维度的向量拉平放到1×1×4096维的全连接层，则每个节点都需要接受7×7×512，所以是7×7×512×4096个参数。

VGG19网络结构图

在这里插入图片描述

VGG中全部使用3×3卷积

在这里插入图片描述
好处：
  ①深度变深了；
  ②非线性次数变多了，可以让模型学习到更多非线性的决策边界；
  ③学习能力变得更好，表示空间类型变得更大；
  ④参数量更少，比如两个3×3卷积，可以代替一个5×5卷积，参数量减少从：5×5变成2×3×3。

可视化VGG-16网络结构：https://dgschwend.github.io/netscope/#/preset/vgg-16

VGG潜在应用：迁移学习、可解释性分析

在这里插入图片描述
  使用VGG做迁移学习时，前面层网络全部冻结，只需要修改最后一层，比如你有2622个类别进行分类，只需要将最后一层修改为1×1×2622的格式之后再进行训练。

  用VGG作为迁移学习的思路：把VGG作为一个特征提取器，输入图像获得4096维度的向量，然后再用一个简单的分类器，比如线性支持向量机，对这个向量进行分类，这个简单的分类器可以在更小的数据集上。
在这里插入图片描述
  因为VGG是一个经典的串行的卷积神经网络，它没有引入跨层连接的技巧，所以最后它提取的feature map是包含图像的位置信息的，比如最后提取的feature map的左上角对应的就是原图的左上角区域，feature map的右上角对应的就是原图的右上角区域。可以把它预测出的类别在原图上可视化显示出来。

GoogLeNet

https://blog.csdn.net/qq_37541097/article/details/104411613
内容：
① GoogLeNet网络结构详解视频
1*1的卷积在深度学习中的作用
②使用pytorch搭建GoogLeNet网络并训练
③保存训练好的权重文件，进行预测

ResNet

ResNet网络结构详解与模型的搭建
https://blog.csdn.net/qq_37541097/article/details/104710784
内容：
①ResNet网络结构详解视频
②使用Pytorch搭建ResNet网络并基于迁移学习训练
这篇讲残差网络的：残差网络学习心得
Batch Normalization详解以及pytorch实验

ResNeXt

内容：
①ResNeXt网络结构
https://www.bilibili.com/video/BV1Ap4y1p71v
②使用pytorch搭建ResNeXt并基于迁移学习训练
https://www.bilibili.com/video/BV1rX4y1N7tE

MobileNet

参考资料：
MobileNet(v1、v2)网络详解与模型的搭建
https://blog.csdn.net/qq_37541097/article/details/105771329
MobileNet V1详解：https://www.bilibili.com/video/BV16b4y117XH

谷歌轻量化卷积神经网络MobileNet V1
Mobilenets: Efficient convolutional neural networks formobile vision applications（CVPR2017）

  内容：
①MobileNet（v1，v2）网络详解视频
② 使用pytorch搭建mobilenet v2并基于迁移学习训练视频
（PS：AlexNet、VGG、GoogLeNet以及ResNet网络，都是传统卷积神经网络（都是使用的传统卷积层），缺点在于内存需求大、运算量大导致无法在移动设备以及嵌入式设备上运行。而MobileNet网络就是专门为移动端，嵌入式端而设计。）
③MobileNetv3网络详解
https://www.bilibili.com/video/BV1GK4y1p7uE
④使用Pytorch搭建MobileNetV3并基于迁移学习训练
https://www.bilibili.com/video/BV1zT4y1P7pd

轻量化网络的学习路径

在这里插入图片描述

深度可分离卷积

轻量化网络的学习路径：
MobileNet是基于深度可分离卷积（Depthwise separable convolution）来对卷积层进行优化和改进从而降低参数量，减少计算量加速运算使网络轻量化的。
在这里插入图片描述
具体流程：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
Depthwise Convolution处理长宽方向的空间信息，
Pointwise Convolution处理跨通道的信息。（通过1×1卷积来完成）

用了深度可分离卷积的好处：减少了计算量和参数量
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

MobileNet V1网络结构

在这里插入图片描述
在这里插入图片描述

MobileNet V2

谷歌轻量化卷积神经网络MobileNet V2
MobileNetV2: Inverted Residuals and Linear Bottlenecks（CVPR 2018）

MobileNet V1的局限：
①没有残差连接
②很多Depthwise卷积核训练出来的是0（原因：1.卷积核权重数量核通道数量太少，太“单薄”；2.ReLU激活函数，会把小于0的所有输入都置为0，则前向传播中的张量为0，反向传播中的梯度也为0；3.低精度的浮点数表示，如果用16bit或8bit这样特别少的比特数来表示一个浮点数，表示的范围有限）
在这里插入图片描述
MobileNet V2
在这里插入图片描述
在这里插入图片描述

boss-dog
关注
  • 3
    点赞
  • 踩
  • 28
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Pytorch 图像分类（AlexNet，VGGNet，Inception，ResNet，DenseNet，MobileNet）
平凡简单的执着
04-16 4760
4.定义网络（AlexNet） [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ggMczuOs-1587022068848)(attachment:image.png)] AlexNet 结构： 输入层：图像大小为 227×227×3，其中 3 表示输入图像的 channel 数（R，G，B）为 3。 卷积层：filter 大小 11×11，filter 个数 9...
MLP/LeNet/AlexNet/GoogLeNet/ResNet在三个不同数据集上的分类效果实践
05-02
内容概要：本资源所用的开发环境是jupyter，包含MLP/LeNet/AlexNet/GoogLeNet/ResNet五个深度神经网络模型结构和MNIST、Fashion MNIST、HWDB1三个不同的数据集。所有运行结果都写在了.ipynb文件中，所用的开发框架为...
PyTorch构建LeNet、AlexNet、VGGNet、GoogLeNet、ResNet训练MNIST数据集
09-25
1、MNIST数据集处理、加载、网络初始化、测试函数 2、训练函数、PyTorch构建LeNet网络 3、PyTorch从零构建AlexNet训练MNIST数据集 4、PyTorch从零构建VGGNet训练MNIST数据集 5、PyTorch从零构建GoogLeNet训练MNIST数据集 6、PyTorch从零构建ResNet训练MNIST数据集
人工智能基础部分22-几种卷积神经网络结构的介绍，并用pytorch框架搭建模型
最新发布
weixin_42878111的博客
11-22 307
大家好，我是微学AI，今天给大家介绍一下人工智能基础部分22-几种卷积神经网络结构的介绍，本篇文章我将给大家详细介绍VGG16、VGG19、ResNet、SENet、MobileNet这几个卷积神经网络结构，以及pytorch搭建代码，利用通用数据输入到模型中。这些模型都是计算机视觉领域中非常重要和广泛应用的模型。
Pytorch搭建常见分类网络模型------VGG、Googlenet、 MobileNetV3、ResNet50（1）
qq_40379132的博客
05-19 2676
常见的分类网络都可以分为两部分，一部分是特征提取部分，另一部分是分类部分。 1、特征提取部分的功能是对输入进来的图片进行特征提取 ， 优秀的特征可以帮助更容易区分目标，所以特征提取部分一般由各类卷积组成，卷积拥有强大的特征提取能力 ； 2、分类部分会利用特征提取部分获取到的特征进行分类 ，分类部分一般由全连接组成， 特征提取部分获取到的特征一般是一维向量，可以直接进行全连接分类。 通常情况下，特征提取部分就是我们平常了解到的各种神经网络，比如VGG、Mobilenet、Resnet等等；而分类部分就是
第二次学习计划 之（LeNET、AlexNet、VGGNet、GoogLeNet，ResNet）算法
weixin_46288319的博客
06-11 995
非自己原创，借鉴于网上各位大佬，自己做了一个学习总结。
VGG、RestNet、MobileNet介绍
weixin_39357271的博客
10-22 2170
VGG、RestNet、MobileNet的一些基本介绍
《动手学深度学习》(四) -- LeNet、AlexNet、VGG、NiN、GoogLeNet、ResNet、DenseNet 实现
CarpeDiem
07-05 1136
本篇继续学习现代卷积神经网络，主要学习LeNet、AlexNet、使⽤重复块的⽹络（VGG）、⽹络中的⽹络（NiN）、含并⾏连结的⽹络（GoogLeNet）、残差⽹络（ResNet）、稠密连接⽹络（DenseNet）的搭建，便于我们后续复杂网络的学习。............
深度学习实战——卷积神经网络/CNN实践(LeNet、Resnet)
转载请标明出处，完整项目/代码详见github：https://github.com/yiru1225
04-05 8793
本篇博客主要介绍几种卷积神经网络的原理，并进行了代码实践与优化，另外，使用了CAM、图像显著性检测等方法进行了模型的可视化诊断。（内附代码与数据集）。
神经网络学习小记录61——Tensorflow2 搭建常见分类网络平台（VGG16、MobileNet、ResNet50）
Bubbliiiing的学习小课堂
11-15 1万+
神经网络学习小记录61——Tensorflow2 搭建常见分类网络平台（VGG16、MobileNet、ResNet50）学习前言源码下载分类网络的常见形式分类网络介绍1、VGG16网络介绍2、MobilenetV1网络介绍3、ResNet50网络介绍a、什么是残差网络b、什么是ResNet50模型分类网络的训练1、LOSS介绍2、利用分类网络进行训练 学习前言 tf2的分类代码也要做一下。 源码下载 https://github.com/bubbliiiing/classification-tf2 喜欢
AlexNet、VGG、GoogLeNet、ReaNet、MobileNet、ShuffleNet和EfficientNet网络的亮点和创新之处
白羊by的博客
09-12 2176
AlexNet、VGG、GoogLeNet、ReaNet、MobileNet、ShuffleNet和EfficientNet网络的亮点和创新之处总结
经典卷积神经网络模型-合集(AlexNet，VGG16Net，GoogLeNet，ResNet18).zip
01-29
这是一个合集——经典卷积神经网络模型，包含AlexNet，VGG16Net，GoogLeNet，ResNet18等四个主要的经典卷积神经网络的code，也包含注释。所有模型均已调试通过，且已经记录博客。跑的时候，建议使用GPU来跑，否则...
HorizonNet:AlexNet，VGG，GoogLeNet，ResNet和DenseNet的分类代码
04-02
视频问答数据集可视化加载和可视化视频问答中的不同数据集。项目结构$videoqa_dataset_visualization |──results # result image |──msvd.png |──msrvtt.png |──tgif.png |──ui.png |──mainwindow.py # ...
用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等
03-18
用于pytorch的图像分类，包含多种模型方法，比如AlexNet，VGG，GoogleNet，ResNet，DenseNet等等，包含可完整运行的代码。除此之外，也有colab的在线运行代码，可以直接在colab在线运行查看结果。
【深度学习】经典的卷积神经网络模型介绍（LeNet、AlexNet、VGGNet、GoogLeNet、ResNet和MobileNet）
热门推荐
点赞的都能无bug通过！
03-17 3万+
经典的卷积神经网络模型介绍卷积神经网络简介一、LeNet1、INPUT层-输入层2、C1层-卷积层3、S2层-池化层（下采样层）4、C3层-卷积层5、S4层-池化层（下采样层）6、C5层-卷积层7、F6层-全连接层二、AlexNet1、AlexNet特点2、ReLu作为激活函数3、数据增强4、层叠池化5、局部相应归一化6、Dropout7、Alex网络结构8、AlexNet参数数量三、VGG net1、VGG的特点2、VGG网络结构3、VGG优缺点四、GoogLeNet1、GoogLeNet Incepet
CNN经典结构（Lenet，AlexNet，VGG，GoogleNet，ResNet, Resnext, Densenet, Senet, BAM,mobilenet）及其pytorch实现
xu_fu_yong的专栏
06-19 8038
CNN经典结构（Lenet，AlexNet，VGG，GoogleNet，ResNet, Resnext, Densenet, Senet, BAM, CBAM, genet, sknet, mobilenet）及其pytorch实现 前言 本文主要介绍2012-2019年的一些经典CNN结构，从Lenet，AlexNet，VGG，GoogleNet，ResNet, Resnext, Densene...
Pytorch搭建常见分类网络模型------VGG、Googlenet、ResNet50 、MobileNetV2（4）
qq_40379132的博客
05-28 1269
接上一节内容： 前言：
经典卷积网络---LeNet、AlexNet、VGGNet、InceptionNet、ResNet [北京大学曹健老师人工智能学习笔记]
qq_43701213的博客
11-18 1018
Yann LeCun于1998年提出，通过共享卷积核减少了网络的参数。 LeNet有2个卷积层和3个全连接层。 在特征提取阶段，卷积层以外的标准化、池化、激活等都看做是卷积层的附属，不计入层数统计。
Le-Net、AlexNet、VggNet、googlenet、Resnet的发展与区别
pingguolou的博客
08-18 1846
Le-Net、AlexNet、VggNet、googlenet、Resnet的发展与区别
LeNet、AlexNet、VGG、GoogLeNet、ResNet
03-22
这些都是经典的卷积神经网络模型，它们在图像识别领域都有很好的表现。其中LeNet是最早的卷积神经网络模型之一，AlexNet是第一个在ImageNet数据集上取得显著成果的模型，VGG是一个非常深的模型，GoogLeNet则是采用了Inception模块的模型，而ResNet则是采用了残差连接的模型。

“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