使用块的网络 VGG

一、AlexNet与VGG

1、深度学习追求更深更大，使用VGG将卷积层组合为块

2、VGG块：3*3卷积（pad=1，n层，m通道）、2*2最大池化层

二、VGG架构

1、多个VGG块后接全连接层

2、不同次数的重复块得到不同的架构，eg：VGG-16（卷积层和全连接层相加的总数）

三、总结

1、VGG-11使用可复用的卷积块构造网络。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。

2、块的使用导致网络定义的非常简洁。使用块可以有效地设计复杂的网络。

3、深层且窄的卷积（即3×3）比较浅层且宽的卷积更有效

四、代码

1、VGG块

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

def vgg(conv_arch):
    conv_blks = []
    in_channels = 1
    # 卷积层部分
    # num_convs一块里有多少个层
    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)