使用块的网络(VGG)
VGG使用了模块化的神经网络结构(VGG块),很容易使用卷积块来构造网络。
不同的 VGG 模型可通过每个块中卷积层数量和输出通道数量的差异来定义。
1.VGG块
VGG块与基本卷积神经网络的基础组成部分类似:
3×3 卷积核、填充为 1(保持高度和宽度)的卷积层
非线性激活函数,如ReLU
2×2 池化窗口、步幅为 2(每个块后的分辨率减半)的最大汇聚层
代码:
来自 动手学习深度学习
'''pytorch实现'''
import torch
from torch import nn
from d2l import torch as d2l
def vgg_block(num_convs, in_channels, out_channels):
layers = []
for _ in range(num_convs):
layers.append(nn.Conv2d(in_channels, out_channels,
kernel_size=3, padding=1))
layers.append(nn.ReLU())
in_channels = out_channels
layers.append(nn.MaxPool2d(kernel_size=2,stride=2))
return nn.Sequential(*layers)```
2.VGG网络
VGG网络分为两部分:
- 卷积层和汇聚层
- 全连接层
VGG结构图(与AlexNet对照)
3.VGG11
VGG11使用8个卷积层和3个全连接层。
代码:
来自 动手学习深度学习
#超参数变量(超参:在开始机器学习之前,就人为设置好的参数。)
#该变量指定了每个VGG块里卷积层个数和输出通道数
conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))
#通过在 conv_arch 上执行 for 循环来简单实现
def vgg(conv_arch):
conv_blks = []
in_channels = 1
# 卷积层部分
for (num_convs, out_channels) in conv_arch:
conv_blks.append(vgg_block(num_convs, in_channels, out_channels))
in_channels = out_channels
return nn.Sequential(
*conv_blks, nn.Flatten(),
# 全连接层部分
nn.Linear(out_channels * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5),
nn.Linear(4096, 4096), nn.ReLU(), nn.Dropout(0.5),
nn.Linear(4096, 10))
net = vgg(conv_arch)