深度学习——08现有网络模型（vgg16）的修改

Miles强

于 2022-05-16 10:01:57 发布

阅读量2.1k

点赞数

分类专栏：深度学习文章标签：深度学习 pytorch python

本文链接：https://blog.csdn.net/weixin_48501651/article/details/124793261

版权

深度学习专栏收录该内容

10 篇文章 4 订阅

订阅专栏

一、使用vgg网络结构

pretrained预训练：
False可以暂时理解相关的参数不下载，数据不在数据集上训练
True时网络模型的参数在数据集上已经训练好的，可以达到好的效果

True时网络模型的参数在数据集上已经训练好的，可以达到好的效果

vgg16_false = torchvision.models.vgg16(pretrained=False)
vgg16_true = torchvision.models.vgg16(pretrained=True)
print(vgg16_false)

打印一下网络结构：
在这里插入图片描述

这里发现这是一个1000分类的网络

二、修改网络结构

现在想要将该网络更改适用于CIFAR10
1、添加linear层

# 添加一个线性层
vgg16_true.classifier.add_module('add_linear', nn.Linear(1000, 10))

在这里插入图片描述
2、修改已有的层

# 添加一个线性层
vgg16_false.classifier[6] = nn.Linear(4096,10)

在这里插入图片描述

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

Miles强

关注关注

0
点赞
踩
14

收藏

觉得还不错? 一键收藏
0
评论
深度学习——08现有网络模型（vgg16）的修改

现有网络模型（vgg16）的修改
复制链接

扫一扫

专栏目录

CV-Implement【3】：VGG16

BUPTer

07-15

1202

VGG网络有五种配置，命名为A到E。配置的深度从左（A）到右（B）增加，增加的层数也多。下面是一个描述所有潜在网络结构的表格。所有的配置都遵循结构上的通用模式，只在深度上有区别；从网络A的11个权重层（8个卷积层和3个全连接层），到网络E的19个权重层（16个卷积层和3个全连接层）。卷积层的通道数量相当少，从第一层的64个开始，然后在每个最大集合层之后增加2倍，直到达到512个。本文主要探讨的是D列，即16weightslayers。使用的数据集为CIFAR-10。............

模型的改进、保存、加载

最新发布

qq_44665922的博客

03-11

419

【代码】模型的改进、保存、加载。

参与评论您还未登录，请先登录后发表或查看评论

vgg模型的复数域改进

07-04

vgg模型在复数域的代码，参照deep complex network论文中在残差网络上的改进，基于keras

【SSD论文解读】模型部分：骨干网络 VGG16 + 特征提取层 Extra Feature Layers

dear_jing的博客

11-18

6854

按论文详细介绍了：骨干网络 VGG16 + 特征提取层 Extra Feature Layers

在原有网络模型基础上更改网络输出

weixin_46118768的博客

04-12

1117

更改现有网络模型vgg16 vgg16 网络有1000个输出，数据集 ImageNet 有1000个类别。想要将vgg16网络应用到其他数据集（10个类别），可以修改该网络输出。 vgg16网络模型法1：直接在后面加一层 vgg16_True.add_module("add_linear",nn.Linear(1000,10)) 法2 ：直接在classifier上修改第六层输出为10 vgg16_True.classifier[6] = nn.Linear(4096,10) import t

深度学习——卷积神经网络

01-20

卷积神经网络文章目录卷积神经网络一、卷积神经网络基础1.基础知识2.卷积层的简洁实现3.池化二、LeNet三、常见的一些卷积神经网络1.AlexNet2.VGG3.NiN4.GoogLeNet 一、卷积神经网络基础 1.基础知识二维互相关...

VGG19网络参数——mat格式文件

11-02

该文件为VGG19网络参数，文件名称为vgg.mat，本人在做风格转移时使用VGG19网络进行特征图的提取，详细内容请见：https://blog.csdn.net/qq_40298054/article/details/109433146

基于tensorflow深度学习VGG-19图像风格迁移+自动去噪（MNIST数据集）机器学习+人工智能+神经网络

05-25

1.项目基于 MNIST 数据集，使用 VGG-19 网络模型，将图像进行风格迁移，实现去噪功能。 2.项目运行环境：Python 和 TensorFlow 运行环境。需要 Python 3.6 及以上配置，使用conda安装环境 conda create -n ...

MATLAB深度学习入门实例（果树病虫害识别VGG19版）

01-03

本系列课程利用MATLAB进行深度学习，课程将从数据集设置、模型搭建、模型训练、模型测试、模型评价等方面，深入介绍MATLAB深度学习工具箱。最后利用一个实例——多种果树病虫害识别。（这是最新版，2022年5月更新！...

深度学习（五）————卷积神经网络基础、leNet、卷积神经网络进阶

01-07

深度卷积神经网络（AlexNet） AlexNet 使用重复元素的网络（VGG）¶ ⽹络中的⽹络（NiN） GoogLeNet 卷积神经网络基础本节我们介绍卷积神经网络的基础概念，主要是卷积层和池化层，并解释填充、步幅、输入通道和...

走向深度|VGG（二）

顾道长生的知识库

02-25

1078

开局一张图，首先抛出vgg11的网络架构（完整版放在文章最下方）下面，再配合pytorch官方代码，解析一下vgg11。以vgg11为切入点，由浅入深，理解vgg架构源码解析 demo import torchvision.models as models vgg11 = models.vgg11(pretrained=True) print(vgg11) ctrl+鼠标左键点击vgg11，进入vgg.py文件下映入眼帘的是vgg11的构造函数 vgg11分为两种：不带BN层（‘A’后面的参.

深度学习VGG模型核心拆解

CSDN 区块链

01-09

6907

如今深度学习发展火热，但很多优秀的文章都是基于经典文章，经典文章中的一句一词都值得推敲和分析。此外，深度学习虽然一直被人诟病缺乏足够令人信服的理论，但不代表我们不能感性分析理解，下面我们将对2014年夺得ImageNet的定位第一和分类第二的VGG网络进行分析，在此过程中更多的是对这篇经典文章的感性分析，希望和大家共同交流产生共鸣，如果有理解不到位的也真诚期待指出错误。Simonyan, Kare...

VGG16学习笔记

热门推荐

dta0502的博客

03-22

6万+

一. 简述 VGG卷积神经网络是牛津大学在2014年提出来的模型。当这个模型被提出时，由于它的简洁性和实用性，马上成为了当时最流行的卷积神经网络模型。它在图像分类和目标检测任务中都表现出非常好的结果。在2014年的ILSVRC比赛中，VGG 在Top-5中取得了92.3%的正确率。VGG结构图VGG-16VGG模型有一些变种，其中最受欢迎的当然是 VGG-16，这是一个拥有16层的模型。你可以看...

VGG网络

juluwangriyue的博客

05-08

1393

1、VGG模型介绍 VGGNet是牛津大学VGG（Visual Geometry Group）视觉几何组于2014年撰写的论文中提出的卷积神经网络结构，VGGNet建立了一个19层的神经网络，在ILSVRC取得了定位第一、分类第二的成绩。VGGNet网络模型与AlexNet框架有很多相似之处，有5个Group的卷积，2层FC图像特征，1层FC分类特征。 VGGNet是从AlexNet发展而来，主要进行了两方面的改进：（1）在第一卷积层使用更小的filter尺寸和间隔。（2）在整个图片和multi-sca

VGG16模型

王小波的博客

03-03

2万+

VGG16模型很好的适用于分类和定位任务其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。 1、结构简洁 VGG由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max-pooling（最大化池）分开，所有隐层的激活单元都采用ReLU函数。2、小卷积核和多卷积子层 VGG使用多个较小卷积核（3x3）的卷积层代替一个卷积核...

Kaggle猫狗大战升级版VGG16处理

小白tree的博客

08-18

921

读《Python深度学习》笔记其中的vgg16_weights_tf_dim_ordering_tf_kernels_notop.h5我放在这了链接：https://pan.baidu.com/s/1Zr2diB69xYRizz-JGS93gw 提取码：i5lj '''使用VGG网络：但不使用数据增强的快速特征提取''' '''将VGG16卷积实例化''' from keras.applic...

VGG 网络结构详解与复现

chemcello的博客

07-04

1221

VGG 网络结构详解与复现部分参考了Amusi的知乎ZHUAN专栏文章《一文读懂VGG网络》前言 VGG = Visual Geometry Group, 是Oxford的同名视觉组提出的深度网络。论文中提出了VGG-11, VGG-13, VGG-16, VGG-19等网络。其中全连接层数量都为3层。 VGG 相比于AlexNet的一个重要改进是用连续的3x3卷积代替了AlexNet中较大的卷积核。使得多次小规模卷积（e.g. 三次 3 x 3 卷积）之后得到特征图具有与单次大规模卷积（e.g. 一

CNN网络简单优化，以VGG16为例

liuyinganxi的博客

04-05

3149

优化常用经验方法 1、调低学习率（或按迭代次数衰减） 2、调整参数的初始化方法 3、调整输入数据的标准化方法 4、修改Loss函数 5、增加正则化 6、使用BN/GN层（中间层数据的标准化） 7、使用dropout VGG16网络结构以下代码仅对第一个Conv2D进行了调整，增加了L2正则化，BN层与Dropout层，后面的的Conv2D均可进行相应调整 model = keras.models.Sequential() # 优化增加L2正则化 model.add(keras.layers.Conv2

深度学习VGG16迁移学习模型代码

05-20

以下是使用预训练的VGG16模型进行迁移学习的代码示例： ```python import tensorflow as tf from tensorflow.keras.preprocessing.image import ImageDataGenerator from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Dense, Dropout, Flatten from tensorflow.keras.applications import VGG16 # 设置数据集路径和参数 train_data_dir = 'train/' validation_data_dir = 'validation/' img_width, img_height = 224, 224 batch_size = 32 epochs = 10 # 加载预训练的VGG16模型 vgg16_model = VGG16(weights='imagenet', include_top=False, input_shape=(img_width, img_height, 3)) # 冻结预训练模型的所有层 for layer in vgg16_model.layers: layer.trainable = False # 构建模型 model = Sequential() model.add(vgg16_model) model.add(Flatten()) model.add(Dense(256, activation='relu')) model.add(Dropout(0.5)) model.add(Dense(1, activation='sigmoid')) # 编译模型 model.compile(loss='binary_crossentropy', optimizer=tf.keras.optimizers.Adam(lr=0.0001), metrics=['accuracy']) # 数据增强 train_datagen = ImageDataGenerator(rescale=1./255, shear_range=0.2, zoom_range=0.2, horizontal_flip=True) validation_datagen = ImageDataGenerator(rescale=1./255) train_generator = train_datagen.flow_from_directory(train_data_dir, target_size=(img_width, img_height), batch_size=batch_size, class_mode='binary') validation_generator = validation_datagen.flow_from_directory(validation_data_dir, target_size=(img_width, img_height), batch_size=batch_size, class_mode='binary') # 训练模型 model.fit(train_generator, steps_per_epoch=train_generator.samples // batch_size, epochs=epochs, validation_data=validation_generator, validation_steps=validation_generator.samples // batch_size) ``` 在这个示例中，我们使用预训练的VGG16模型作为特征提取器，并添加了几个全连接层来进行分类。我们还对预训练模型的所有层进行了冻结，并使用ImageDataGenerator进行数据增强。最后，我们使用fit()方法来训练模型。

“相关推荐”对你有帮助么？

非常没帮助
没帮助
一般
有帮助
非常有帮助

提交