深度学习 - VGG16介绍及预训练神经网络的使用

最新推荐文章于 2024-07-22 22:04:48 发布

壮壮不太胖^QwQ

最新推荐文章于 2024-07-22 22:04:48 发布

阅读量1.9w

点赞数 13

文章标签：卷积神经网络深度学习卷积神经网络

本文链接：https://blog.csdn.net/weixin_46072771/article/details/108606449

版权

本文介绍了VGG16神经网络的起源、结构特点，探讨了深度对图像识别的影响。文章还展示了如何在Keras中调用预训练的VGG16模型，包括加载模型、构建完整网络、初步训练和微调模型的步骤。VGG16因其深度和简洁性而著名，但也存在权重数量大、训练慢的问题。

摘要由CSDN通过智能技术生成

这里写自定义目录标题

官方所有的预训练网络说明：链接🔗

可以查询到所有可用的预训练网络及其使用方法
包含参数说明

在Keras中提供了以下图像分类模型的代码和预训练的权重：
在这里插入图片描述

均可以使用keras.applications 模块进行导入：（可以从下边复制）

from keras.applications.xception import Xception
from keras.applications.vgg16 import VGG16
from keras.applications.vgg19 import VGG19
from keras.applications.resnet50 import ResNet50
from keras.applications.inception_v3 import InceptionV3
from keras.applications.inception_resnet_v2 import InceptionResNetV2
from keras.applications.mobilenet import MobileNet
from keras.applications.densenet import DenseNet121
from keras.applications.densenet import DenseNet169
from keras.applications.densenet import DenseNet201
from keras.applications.nasnet import NASNetLarge
from keras.applications.nasnet import NASNetMobile
from keras.applications.mobilenet_v2 import MobileNetV2

接下来以VGG16神经网络为例进行说明

什么是VGG开头神经网络

VGG全称是Visual Geometry Group,属于牛津大学科学工程系，其发布了一些列以VGG开头的卷积网络模型，可以应用在人脸识别、图像分类等方面，分别从VGG16～VGG19。

VGG研究卷积网络深度的初衷是想搞清楚卷积网络深度是如何影响大规模图像分类与识别的精度和准确率的，最初是VGG-16, 号称非常深的卷积网络全称为(GG-Very-Deep-16 CNN) 。

VGG在加深网络层数同时为了避免参数过多，在所有层都采用3x3的小卷积核，卷积层步长被设置为1。VGG的输入被设置为224x244大小的RGB图像，在训练集图像上对所有图像计算RGB均值，然后把图像作为输入传入VGG卷积网络，使用3x3或者1x1的filter，卷积步长被固定1。

VGG模型架构
VGG全连接层有3层，根据卷积层+全连接层总数目的不同可以从VGG11 ～ VGG19，最少的VGG11有8个卷积层与3个全连接层，最多的VGG19有16个卷积层+3个全连接层，此外VGG网络并不是在每个卷积层后面跟上一个池化层，还是总数5个池化层，分布在不同的卷积层之下.
在这里插入图片描述
VGG的作者在论文中将它称为是Very Deep Convolutional Network，如上图所示的VGG16网络带权层就达到了16层，这在当时已经很深了。网络的前半部分，每隔2~3个卷积层接一个最大池化层，4次池化共经历了13个卷积层，加上最后3个全连接层共有16层，也正因此我们称这个网络为VGG16。