python实现卷积神经网络vgg16_Keras实现VGG16

最新推荐文章于 2023-03-22 11:00:28 发布
最新推荐文章于 2023-03-22 11:00:28 发布
阅读量102 收藏
点赞数
文章标签： python实现卷积神经网络vgg16

_________________________________________________________________Layer (type) Output Shape Param#

=================================================================input_9 (InputLayer) (None,48, 48, 3) 0_________________________________________________________________block1_conv1 (Conv2D) (None,48, 48, 64) 1792

_________________________________________________________________block1_conv2 (Conv2D) (None,48, 48, 64) 36928

_________________________________________________________________block1_pool (MaxPooling2D) (None,24, 24, 64) 0_________________________________________________________________block2_conv1 (Conv2D) (None,24, 24, 128) 73856

_________________________________________________________________block2_conv2 (Conv2D) (None,24, 24, 128) 147584

_________________________________________________________________block2_pool (MaxPooling2D) (None,12, 12, 128) 0_________________________________________________________________block3_conv1 (Conv2D) (None,12, 12, 256) 295168

_________________________________________________________________block3_conv2 (Conv2D) (None,12, 12, 256) 590080

_________________________________________________________________block3_conv3 (Conv2D) (None,12, 12, 256) 590080

_________________________________________________________________block3_pool (MaxPooling2D) (None,6, 6, 256) 0_________________________________________________________________block4_conv1 (Conv2D) (None,6, 6, 512) 1180160

_________________________________________________________________block4_conv2 (Conv2D) (None,6, 6, 512) 2359808

_________________________________________________________________block4_conv3 (Conv2D) (None,6, 6, 512) 2359808

_________________________________________________________________block4_pool (MaxPooling2D) (None,3, 3, 512) 0_________________________________________________________________block5_conv1 (Conv2D) (None,3, 3, 512) 2359808

_________________________________________________________________block5_conv2 (Conv2D) (None,3, 3, 512) 2359808

_________________________________________________________________block5_conv3 (Conv2D) (None,3, 3, 512) 2359808

_________________________________________________________________block5_pool (MaxPooling2D) (None,1, 1, 512) 0_________________________________________________________________flatten (Flatten) (None,512) 0_________________________________________________________________fc1 (Dense) (None,4096) 2101248

_________________________________________________________________fc2 (Dense) (None,4096) 16781312

_________________________________________________________________dropout_9 (Dropout) (None,4096) 0_________________________________________________________________dense_5 (Dense) (None,10) 40970

=================================================================Total params:33,638,218Trainable params:18,923,530Non-trainable params: 14,714,688

_________________________________________________________________

_________________________________________________________________Layer (type) Output Shape Param#

=================================================================input_10 (InputLayer) (None,224, 224, 3) 0_________________________________________________________________block1_conv1 (Conv2D) (None,224, 224, 64) 1792

_________________________________________________________________block1_conv2 (Conv2D) (None,224, 224, 64) 36928

_________________________________________________________________block1_pool (MaxPooling2D) (None,112, 112, 64) 0_________________________________________________________________block2_conv1 (Conv2D) (None,112, 112, 128) 73856

_________________________________________________________________block2_conv2 (Conv2D) (None,112, 112, 128) 147584

_________________________________________________________________block2_pool (MaxPooling2D) (None,56, 56, 128) 0_________________________________________________________________block3_conv1 (Conv2D) (None,56, 56, 256) 295168

_________________________________________________________________block3_conv2 (Conv2D) (None,56, 56, 256) 590080

_________________________________________________________________block3_conv3 (Conv2D) (None,56, 56, 256) 590080

_________________________________________________________________block3_pool (MaxPooling2D) (None,28, 28, 256) 0_________________________________________________________________block4_conv1 (Conv2D) (None,28, 28, 512) 1180160

_________________________________________________________________block4_conv2 (Conv2D) (None,28, 28, 512) 2359808

_________________________________________________________________block4_conv3 (Conv2D) (None,28, 28, 512) 2359808

_________________________________________________________________block4_pool (MaxPooling2D) (None,14, 14, 512) 0_________________________________________________________________block5_conv1 (Conv2D) (None,14, 14, 512) 2359808

_________________________________________________________________block5_conv2 (Conv2D) (None,14, 14, 512) 2359808

_________________________________________________________________block5_conv3 (Conv2D) (None,14, 14, 512) 2359808

_________________________________________________________________block5_pool (MaxPooling2D) (None,7, 7, 512) 0_________________________________________________________________flatten_5 (Flatten) (None,25088) 0_________________________________________________________________fc1 (Dense) (None,4096) 102764544

_________________________________________________________________fc2 (Dense) (None,4096) 16781312

_________________________________________________________________dropout_10 (Dropout) (None,4096) 0_________________________________________________________________prediction (Dense) (None,10) 40970

=================================================================Total params:134,301,514Trainable params:119,586,826Non-trainable params: 14,714,688

_________________________________________________________________(1000, 48, 48, 3)

(1000, 48, 48, 3)

Train on1000 samples, validate on 1000samples

Epoch1/20

1000/1000 [==============================] - 175s 175ms/step - loss: 2.1289 - acc: 0.2350 - val_loss: 1.9100 - val_acc: 0.4230Epoch2/20

1000/1000 [==============================] - 190s 190ms/step - loss: 1.7685 - acc: 0.4420 - val_loss: 1.6503 - val_acc: 0.4930Epoch3/20

1000/1000 [==============================] - 265s 265ms/step - loss: 1.5582 - acc: 0.5140 - val_loss: 1.5005 - val_acc: 0.5440Epoch4/20

1000/1000 [==============================] - 373s 373ms/step - loss: 1.4210 - acc: 0.5710 - val_loss: 1.3019 - val_acc: 0.6160Epoch5/20

1000/1000 [==============================] - 295s 295ms/step - loss: 1.1946 - acc: 0.6490 - val_loss: 1.1182 - val_acc: 0.7280Epoch6/20

1000/1000 [==============================] - 277s 277ms/step - loss: 1.0291 - acc: 0.7330 - val_loss: 1.0279 - val_acc: 0.7430Epoch7/20

1000/1000 [==============================] - 177s 177ms/step - loss: 1.0065 - acc: 0.7060 - val_loss: 0.9229 - val_acc: 0.7690Epoch8/20

1000/1000 [==============================] - 169s 169ms/step - loss: 0.8438 - acc: 0.7810 - val_loss: 0.9716 - val_acc: 0.6670Epoch9/20

1000/1000 [==============================] - 169s 169ms/step - loss: 0.8898 - acc: 0.7230 - val_loss: 0.9710 - val_acc: 0.6660Epoch10/20

1000/1000 [==============================] - 166s 166ms/step - loss: 0.8258 - acc: 0.7460 - val_loss: 0.9026 - val_acc: 0.7130Epoch11/20

1000/1000 [==============================] - 169s 169ms/step - loss: 0.7592 - acc: 0.7640 - val_loss: 0.9691 - val_acc: 0.6730Epoch12/20

1000/1000 [==============================] - 165s 165ms/step - loss: 0.7793 - acc: 0.7520 - val_loss: 0.8350 - val_acc: 0.6800Epoch13/20

1000/1000 [==============================] - 164s 164ms/step - loss: 0.6677 - acc: 0.7780 - val_loss: 0.7203 - val_acc: 0.7730Epoch14/20

1000/1000 [==============================] - 164s 164ms/step - loss: 0.7018 - acc: 0.7630 - val_loss: 0.6947 - val_acc: 0.7760Epoch15/20

1000/1000 [==============================] - 163s 163ms/step - loss: 0.6129 - acc: 0.8100 - val_loss: 0.7025 - val_acc: 0.7610Epoch16/20

1000/1000 [==============================] - 163s 163ms/step - loss: 0.6104 - acc: 0.8190 - val_loss: 0.6385 - val_acc: 0.8220Epoch17/20

1000/1000 [==============================] - 163s 163ms/step - loss: 0.5507 - acc: 0.8320 - val_loss: 0.6273 - val_acc: 0.8290Epoch18/20

1000/1000 [==============================] - 164s 164ms/step - loss: 0.5205 - acc: 0.8360 - val_loss: 0.8740 - val_acc: 0.6750Epoch19/20

1000/1000 [==============================] - 163s 163ms/step - loss: 0.5852 - acc: 0.8150 - val_loss: 0.6614 - val_acc: 0.7890Epoch20/20

1000/1000 [==============================] - 166s 166ms/step - loss: 0.5310 - acc: 0.8340 - val_loss: 0.5718 - val_acc: 0.8250

weixin_39911056
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
用 Python 从头开始构建 VGG Net
深度学习与计算机视觉
08-04 981
介绍VGG-Network 是 K. Simonyan 和 A. Zisserman 在论文“Very Deep Convolutional Networks for Large-Scal...
卷积神经网络——vgg16网络及其python实现
abc1234abcdefg的博客
06-28 3394
VGG16介绍及实现
keras用vgg16做图像分类
weixin_34351321的博客
09-20 711
实际上我只是提供一个模版而已，代码应该很容易看得懂，label是存在一个csv里面的，图片是在一个文件夹里面的 没GPU的就不用尝试了，训练一次要很久很久。。。 ## import libaries import pandas as pd import numpy as np from skimage import io import os, sys from tqdm import tqdm ...
【深度学习】如何用PyTorch构建一个VGG16网络？（附代码）
fengdu78的博客
03-22 760
VGG16网络是一个经典的卷积神经网络模型，由Karen Simonyan和Andrew Zisserman于2014年提出。它在ImageNet图像分类比赛中取得了当时最好的成绩，被广泛应用于计算机视觉领域。VGG16网络的主要特点是使用了多个连续的卷积层和池化层，并且在每个卷积层和池化层之后都使用了ReLU激活函数。这种设计可以帮助网络逐步提取图像的特征，使得网络具有更好的表达能力。网络架构 ...
深度学习笔记--基于Pytorch搭建VGG16网络
牵一只蜗牛去散步
01-08 840
1--VGG16网络。1--VGG16网络。
Basic_CNNs_TensorFlow2-master_CNN_python_卷积神经网络_tensorflow_
10-02
卷积神经网络（CNN，Convolutional Neural Networks）是一种深度学习模型，主要应用于图像处理、计算机视觉等领域。在TensorFlow2.x中，CNN的实现变得更加简单且高效。本项目"Basic_CNNs_TensorFlow2-master"是一个...
VGG16.rar_VGG16模型详解_vgg16 python_vgg16模型_vgg16模型结构_wish154
07-14
在Python中，实现VGG16模型通常使用Keras、TensorFlow或PyTorch等深度学习框架。Keras提供了预训练的VGG16模型，可以直接加载并用于迁移学习。在Python中，以下是一段基本的加载VGG16模型的代码示例： ```python ...
vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5.zip
02-24
在".h5.zip"压缩包内的"vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5"文件中，"tf_dim_ordering"指的是TensorFlow的数据维度排列方式，即通道（Channel）在最后的顺序（通常称为"TF"或"Threading First"），...
vgg16_weights_tf_dim_ordering_tf_kernels.h5
11-15
VGG16是一种著名的卷积神经网络（CNN）模型，由英国剑桥大学的Visual Geometry Group在2014年的ImageNet Large Scale Visual Recognition Challenge（ILSVRC）中提出。这个模型以其深而狭窄的结构著称，拥有16个处理...
Python深度学习(Keras )_keras_keras库_神经网络keras_python_
10-03
例如，在计算机视觉中，可以使用Keras构建卷积神经网络进行图像分类： ```python from keras.applications import VGG16 vgg_model = VGG16(weights='imagenet', include_top=False, input_shape=(224, 224, 3)) `...
tensorflow-vgg16
10-09
vgg16的tensorflow模型，可直接修改或应用到自己的代码中，也可将caffe模型转成tensorflow。
VGG-Net16基础知识及实现Cifar-10分类（pytorch）
qq_42348241的博客
11-10 1546
VGG16的基础信息和pytorch实现
使用Python，OpenCV进行图像哈希
qq_40985985的博客
04-02 615
这篇博客将介绍图像哈希，感知哈希以及这些算法如何用于（快速）确定图像的视觉内容是否相同或相似。并实现了差异散列，一个常见的感知散列算法（1）非常快，而（2）非常准确。以此来判断图片是否发生变化。
python关于opencv、keras环境下的人脸检测识别
deweicengyou的博客
04-06 633
人脸检测识别 计算机视觉入门最基本项目大概就是这人脸识别了，容易上手。本文是基于另外一篇博客基础上https://blog.csdn.net/qq_42633819/article/details/81191308，花了两晚上时间搞了一下，算是成功了吧（电脑显卡比较渣，摄像头不清晰，结果不理想。就不放最终正确识别的图像了）。 2.准备 大概需要一台电脑以及摄像头。 3.各种库、环境的安装 ...
基于Python+Keras+OpenCV实现实时人脸活体检测 | 文末送书
深度学习与计算机视觉
06-11 1466
你在互联网上找到的大多数人脸识别算法和研究论文都会遭受照片攻击。这些方法在检测和识别来自网络摄像头的图像、视频和视频流中的人脸方面是非常有效，但是他们无法区分现实生活中的面孔和照片上的面...
pytorch——使用VGG-16实现cifar-10多分类，准确率90.97%
qq_28383747的博客
12-02 1万+
刚入门卷积神经网络，在cifar-10数据集上复现了LeNet、AlexNet和VGG-16网络，发现VGG-16网络分类准确率最高，之后以VGG-16网络为基础疯狂调参，最终达到了90.97%的准确率。（继续进行玄学调参，可以更高）二、VGG-16网络介绍VGG-16论文该模型在2014年的ILSVRC中取得了分类任务第二、定位任务第一的优异成绩。VGG网络架构。
基于Python的OpenCV+TensorFlow+Keras人脸识别实现
热门推荐
冰河的博客
09-04 1万+
前言：本节要讲的人脸识别主要是借鉴了 一位研究生前辈的文章 我只是在他的基础上进行了改动，让代码能在现在的TensorFlow2.X 等的环境下运行 先看一下效果图 一、准备工作，安装环境 注意：下列Python第三方包的版本比较重要，应为在这里用到的包比较多，如果两个包版本相差较大可能会导致错误，接下来我列出我用的包名及其版本信息供你参考 Python – 3.8.4 TensorFlow-GPU – 2.3.0 OpenCV – 4.4.0 keras – 2.0.9 sklearn –
python实现卷积神经网络vgg16_利用Tensorflow实现VGG16及训练自己的数据
weixin_39627361的博客
12-13 983
利用Tensorflow实现VGG16及训练自己的数据发布时间：2018-07-26 17:52,浏览次数：2097, 标签：TensorflowVGG参考：《Tensorflow实战》《Tensorflow 实战Google深度学习框架》https://blog.csdn.net/sinat_16823063/article/details/53946549https://blog.csdn.n...
python实现简单的神经网络
lynne233
09-25 3359
写在前面： 我一直是一个非常懒散的人，没有计划，得过且过，所以导致学很多东西都非常浅显，当然我本来也不是一个很深刻的人。说来惭愧，title是算法工程师却一直不懂深度学习，这一直是我心中的痛，想最近抽空学习深度学习。作为最近的大热，深度学习的入门门槛非常低，因为现在的框架已经做得非常完整了，而且很多开源代码下下来跑跑数据就可以说我跑过模型了，但是我一直对深度学习的内部机理感到迷茫，所以这个领域对...
使用TensorFlow(Keras)搭建卷积神经网络VGG16，实现手写数字识别。
最新发布
09-06
好的，下面是基于TensorFlow(Keras)搭建的VGG16卷积神经网络，实现手写数字识别的代码： ```python import tensorflow as tf from tensorflow.keras import layers, models, datasets, utils # 加载数据集 (train_images, train_labels), (test_images, test_labels) = datasets.mnist.load_data() # 数据预处理 train_images = train_images.reshape((60000, 28, 28, 1)) / 255.0 test_images = test_images.reshape((10000, 28, 28, 1)) / 255.0 # 将标签进行one-hot编码 train_labels = utils.to_categorical(train_labels) test_labels = utils.to_categorical(test_labels) # 构建VGG16模型 model = models.Sequential() model.add(layers.Conv2D(64, (3, 3), activation='relu', padding='same', input_shape=(28, 28, 1))) model.add(layers.Conv2D(64, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(128, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(128, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(256, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(256, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(256, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.Conv2D(512, (3, 3), activation='relu', padding='same')) model.add(layers.MaxPooling2D((2, 2))) model.add(layers.Flatten()) model.add(layers.Dense(4096, activation='relu')) model.add(layers.Dense(4096, activation='relu')) model.add(layers.Dense(10, activation='softmax')) # 模型编译 model.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['accuracy']) # 模型训练 model.fit(train_images, train_labels, epochs=5, batch_size=64, validation_data=(test_images, test_labels)) # 模型评估 test_loss, test_acc = model.evaluate(test_images, test_labels) print('Test accuracy:', test_acc) ``` 需要注意的是，这个模型的训练需要较长时间，可以在Colab等云环境中进行训练。
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