VGG详解

最新推荐文章于 2024-04-22 14:21:06 发布
最新推荐文章于 2024-04-22 14:21:06 发布
阅读量1.4k 收藏
点赞数
文章标签： 卷积神经网络 神经网络 网络 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/zyd_1129/article/details/111565217
版权

来自大佬

网络中的亮点

在这里插入图片描述

  • 通过堆叠多个3*3的卷积核来代替大尺寸的卷积核（减少参数量）
  • 论文中提到，可以通过堆叠两个33的卷积核代替55的卷积核，堆叠三个33的卷积核代替77的卷积核
    -D结构是被使用最为频繁的，vgg16=13+3(全连接层)

感受野

在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称为感受野，通俗的讲就是输出的feature map上的一个单元对应输入层上的区域大小
感受野的计算公式：F(i)=(F(i+1)-1)*Stride+Ksize（从高层往低层 计算）

  • F(i)是第i层的感受野

  • Stride是第层的步距

  • Ksize是卷积核的大小
    怎么利用三个33的卷积核代替的77卷积核的感受野

  • Feature map:F=1(VGG中默认的步距为1)

  • Conv3*3(3):F=(1-1)+3=3

  • Conv3*3(2):F=(3-1)+3=5

  • Conv33(1):F=(5-1)+3=7
    这样采用三个3    3卷积核和一个77卷积核得到的感受野是一样的
    是怎么减少参数的C分别代表深度和卷积核的个数
    7    7所需要的参数量：77CC=49
    三个3    3的卷积核参数量：33CC3=27

网络结构

在这里插入图片描述

  • Conv,stride=1,padding=1
  • Maxpool=2,stride=2
茶茶小甜豆
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
VGG16_vgg16代码_VGG16_vgg16代码详解_
09-29
在VGG16_vgg16代码详解中，作者提供了简单易懂的实现方式，使得初学者能够快速理解和上手。通过阅读和理解代码，你可以了解到深度学习模型如何从原始图像中提取特征，以及深度学习模型训练的基本流程。此外，了解VGG...
VGG分类完整流程
weixin_44886683的博客
12-18 1940
从左至右，一张彩色图片输入到网络，白色框是卷积层，红色是池化，蓝色是全连接层，棕色框是预测层。预测层的作用是将全连接层输出的信息转化为相应的类别概率，而起到分类作用。 ...
深入理解VGG网络，清晰易懂
最新发布
dont worry about it的博客
04-22 4万+
VGG网络的设计哲学在于其简洁和一致性，它完全由3x3的卷积核和2x2的最大池化层构成，没有使用任何特殊的层，如1x1卷积或Inception模块。VGG网络的设计哲学在于其简洁和一致性，它证明了通过增加网络的深度，可以显著提高图像识别的性能。最后，VGG网络使用Softmax函数将全连接层的输出转换成概率分布，这样每个类别都有一个介于0到1之间的数值，所有类别的概率之和为1。这通常通过取一个小区域的最大值来实现，这样即使图像内容发生微小的移动，网络的输出也不会有太大变化，从而增强了网络的泛化能力。
必知必会的VGG网络(含代码)
u010751974的专栏
07-22 2967
关注公众号【CV算法恩仇录】更多好文等你来~
VGG 经典神经网络学习笔记 （附代码）
PLANTTHESON的博客
10-11 2661
VGG 经典神经网络学习笔记 （附代码）
VGG网络讲解——小白也能懂
m0_57011726的博客
03-10 1万+
我们上文已经说了，VGG其实就是五层卷积。我们来看这个图：这个图是作者当时六次实验的结果图。在介绍这个图前，我先进行几个概念说明：卷积层全部为3*3的卷积核，用conv3-xxx来表示，xxx表示通道数。在这个表格中，我们可以看到，第一组（A）就是个简单的卷积神经网络，没有啥花里胡哨的地方。第二组（A-LRN）在第一组的卷积神经网络的基础上加了LRN（小白们不用太过了解这个，现在已经不是主流了，LRN是Alexnet中提出的方法，在Alexnet中有不错的表现 ）
VGG16.rar_VGG16模型详解_vgg16 python_vgg16模型_vgg16模型结构_wish154
07-14
VGG16模型是深度学习领域的一个里程碑，由牛津大学视觉几何组（Visual Geometry Group）的研究员在2014年的ImageNet Large Scale Visual Recognition Challenge（ILSVRC）上提出。模型以其深且窄的网络结构而闻名，...
Python通过VGG16模型实现图像风格转换操作详解
09-18
**Python通过VGG16模型实现图像风格转换详解** 图像风格转换是一种计算机视觉技术，它允许我们把一张图片（称为内容图像）的风格应用到另一张图片（称为目标风格图像）上，从而创造出一张融合了两者特点的新图像。...
tensorflow-vgg-master
03-29
**TensorFlow VGG 实现详解** `tensorflow-vgg-master` 是一个针对TensorFlow框架的VGG（Visual Geometry Group）模型实现项目，包含了VGG16和VGG19两种不同规模的网络结构。VGG是由牛津大学的Visual Geometry ...
VGG16_TF:简单实现VGG16
04-28
学习Tensorflow，拿VGG16练练手，没有其他骚操作，只有数据集制作，训练及测试。 训练数据-17flowers，百度网盘链接: : 3nc4 VGG16.npy，百度网盘链接: : 4wvq create_tfrecords.py为生成tfrecords数据脚本 VGG16....
深度学习论文随记（二）---VGGNet模型解读-2014年（Very Deep Convolutional Networks for Large-Scale Image Recognition）
朝花&夕拾
07-17 1万+
深度学习论文随记（二）---VGGNet模型解读 Very Deep Convolutional Networks forLarge-Scale Image Recognition Author: K Simonyan ， A Zisserman Year: 2014   1、  导引 VGGNet是2014年ILSVRC竞赛的第二名，没错你没听错它是第二名，第一名是GoogLeN
加载训练好的VGG模型
Happme的博客
03-19 2416
加载已经训练好的VGG模型，并使用该模型进行测试 常用模型下载地址：http://www.vlfeat.org/matconvnet/models/ import scipy.io import numpy as np import os import scipy.misc import matplotlib.pyplot as plt import tensorflow as tf...
VGG16网络结构图及pytorch 代码实现
qq_40360172的博客
10-20 7616
1.网络结构图及对应输出结果 2.pytorch代码实现 import torch.nn as nn from torchsummary import summary import torch class VGG16(nn.Module): def __init__(self): super(VGG16, self).__init__() self.maxpool1 = nn.Sequential( nn.Conv2d(3, 64, ker
VGGNet 阅读理解 - Very Deep Convolutional Networks for Large-Scale Image Recognition
热门推荐
长风破浪会有时，直挂云帆济沧海
03-19 5万+
论文理解 - VGGNet - Very Deep Convolutional Networks for Large-Scale Image Recognition [VGG-Paper] [原文地址 - Very deep convolutional networks for large-scale image recognition] 一篇对 VGGNet 理解比较详细的博客，很长...
快速理解VGG网络
YLTENG的博客
07-25 2万+
快速理解VGG网络简介一些有用的链接网络结构VGG的特点数据增强方面Layer层的设计（VGG16）参数 简介 VGGNet 是牛津大学计算机视觉组（Visual Geometry Group）和谷歌 DeepMind 一起研究出来的深度卷积神经网络，因而冠名为 VGG。VGG是一种被广泛使用的卷积神经网络结构，其在在2014年的 ImageNet 大规模视觉识别挑战(ILSVRC -2014)中获得了亚军，不是VGG不够强，而是对手太强，因为当年获得冠军的是GoogLeNet。 通常人们说的VGG是指V
VGG-传统神经网络之巅峰
frighting_ing的博客
11-14 5927
1. VGG简介 VGGNet是由牛津大学视觉几何小组（Visual Geometry Group, VGG）提出的一种深层卷积网络结构，他们以7.32%的错误率赢得了2014年ILSVRC分类任务的亚军（冠军由GoogLeNet以6.65%的错误率夺得）和25.32%的错误率夺得定位任务（Localization）的第一名（GoogLeNet错误率为26.44%），网络名称VGGNet取自该小组名缩写。VGGNet是首批把图像分类的错误率降低到10%以内模型，同时该网络所采用的3×33\times33×3
卷积神经网络--VGG
temp_X的博客
05-07 1651
VGG VGG历史 VGG(Visual Geometry Group)全称Very Deep Convolutional Networks for Large-scale Image Recognition 具体内容 常用D的配置选择 13个卷积层，5个下采样层（池化层），三个全连接层，
卷积神经网络VGG
null的专栏
09-23 6573
VGG网络结构相对比较简洁，整个网络结构中只用到了3×33\times33×3的卷积核和2×22\times22×2的最大池化，通过堆叠小的卷积核实现较大卷积的操作，通过这样的方式加深了网络的结构，但是在网络中还是出现计算量较大的情况，主要是出现在最后的几组全连接层，其中第一个全连接fc6的参数为25088×4096+4096=10276454425088×4096+4096=102764544。
vgg19网络结构详解
05-26
VGG19是一种深度卷积神经网络（CNN），由牛津大学计算机视觉组发明。它是VGGNet的一个变种，具有19个卷积层和3个全连接层。下面是VGG19的网络结构详解： 1. 输入层：VGG19的输入层接受一张大小为224x224的RGB图像。 2. 卷积层1: VGG19的第一层是7x7的卷积核，数量为64，步幅为2，填充为same。激活函数使用ReLU。 3. 卷积层2: VGG19的第二层是5x5的卷积核，数量为64，步幅为2，填充为same。激活函数使用ReLU。 4. 池化层1: VGG19的第三层是2x2的最大池化层，步幅为2。 5. 卷积层3: VGG19的第四层是3x3的卷积核，数量为128，步幅为1，填充为same。激活函数使用ReLU。 6. 卷积层4: VGG19的第五层是3x3的卷积核，数量为128，步幅为1，填充为same。激活函数使用ReLU。 7. 池化层2: VGG19的第六层是2x2的最大池化层，步幅为2。 8. 卷积层5: VGG19的第七层是3x3的卷积核，数量为256，步幅为1，填充为same。激活函数使用ReLU。 9. 卷积层6: VGG19的第八层是3x3的卷积核，数量为256，步幅为1，填充为same。激活函数使用ReLU。 10. 卷积层7: VGG19的第九层是3x3的卷积核，数量为256，步幅为1，填充为same。激活函数使用ReLU。 11. 卷积层8: VGG19的第十层是3x3的卷积核，数量为256，步幅为1，填充为same。激活函数使用ReLU。 12. 池化层3: VGG19的第十一层是2x2的最大池化层，步幅为2。 13. 卷积层9: VGG19的第十二层是3x3的卷积核，数量为512，步幅为1，填充为same。激活函数使用ReLU。 14. 卷积层10: VGG19的第十三层是3x3的卷积核，数量为512，步幅为1，填充为same。激活函数使用ReLU。 15. 卷积层11: VGG19的第十四层是3x3的卷积核，数量为512，步幅为1，填充为same。激活函数使用ReLU。 16. 卷积层12: VGG19的第十五层是3x3的卷积核，数量为512，步幅为1，填充为same。激活函数使用ReLU。 17. 池化层4: VGG19的第十六层是2x2的最大池化层，步幅为2。 18. 卷积层13: VGG19的第十七层是3x3的卷积核，数量为512，步幅为1，填充为same。激活函数使用ReLU。 19. 卷积层14: VGG19的第十八层是3x3的卷积核，数量为512，步幅为1，填充为same。激活函数使用ReLU。 20. 卷积层15: VGG19的第十九层是3x3的卷积核，数量为512，步幅为1，填充为same。激活函数使用ReLU。 21. 卷积层16: VGG19的第二十层是3x3的卷积核，数量为512，步幅为1，填充为same。激活函数使用ReLU。 22. 池化层5: VGG19的第二十一层是2x2的最大池化层，步幅为2。 23. 全连接层1: VGG19的第二十二层是4096个神经元的全连接层，激活函数使用ReLU。 24. Dropout层1: VGG19的第二十三层是一个Dropout层，防止过拟合。 25. 全连接层2: VGG19的第二十四层是4096个神经元的全连接层，激活函数使用ReLU。 26. Dropout层2: VGG19的第二十五层是一个Dropout层，防止过拟合。 27. 全连接层3: VGG19的第二十六层是1000个神经元的全连接层，用于输出分类结果。 总结：VGG19是一个非常深的卷积神经网络，它的网络结构非常简单而清晰，通过多次重复使用3x3的卷积核和2x2的最大池化层来增加网络深度，同时使用Dropout层来防止过拟合。

“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
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