提示:最近在学习bubbliiiiig大博主的神经网络教程,为了避免忘记,本文仅限于个人DE学习笔记。
一、VGG网络模型
第一部分:一张原始图片被resize到(224,224,3)。
第二部分:特征提取的5个卷积块儿(应用:取到特征提取就够了):
1. 第1个卷积块:conv1两次[3,3]卷积网络,输出的特征层为64,输出为(224,224,64),再2X2最大池化,输出net为(112,112,64)。
2. 第2个卷积块:conv2两次[3,3]卷积网络,输出的特征层为128,输出net为(112,112,128),再2X2最大池化,输出net为(56,56,128)。
3. 第3个卷积块:conv3三次[3,3]卷积网络,输出的特征层为256,输出net为(56,56,256),再2X2最大池化,输出net为(28,28,256)。
4. 第4个卷积块:conv3三次[3,3]卷积网络,输出的特征层为256,输出net为(28,28,512),再2X2最大池化,输出net为(14,14,512)。
5. 第5个卷积块:conv3三次[3,3]卷积网络,输出的特征层为256,输出net为(14,14,512),再2X2最大池化,输出net为(7,7,512)=25088参数。
第三部分:对网络进行分类任务的操作:
1. 利用卷积的方式模拟全连接层,效果等同,输出net为(1,1,4096)–25088*4096+4096=102764544。共进行两次。
2. 利用卷积的方式模拟全连接层,效果等同,输出net为(1,1,1000)。
最后输出的就是每个类的预测。
二、VGG网络特点
1、使用非常多的3*3卷积串联,利用小卷积代替大卷积,该操作使得其拥有更少的参数量,同时会比单独一个卷积层拥有更多的非线性变换。
2、探索了卷积神经网络的深度与其性能之间的关系,成功构建16层网络(还有VGG19的19层网络)。