神经网络 - VGGNet 15
2021-01-01 23:28
标签：python3 opened als 尺寸 mamicode mes abd try mode 1. 走向深度：VGGNet 随着AlexNet在2012年ImageNet大赛上大放异彩后， 卷积网络进入了飞速的发展阶段， 而2014年的ImageNet亚军结构VGGNet（Visual Geometry Group Network） 则将卷积网络进行了改良， 探索了网络深度与性能的关系， 用更小的卷积核与更深的网络结构， 取得了较好的效果， 成为卷积结构发展史上较为重要的一个网络。
VGGNet网络结构组成如图3.12所示， 一共有6个不同的版本， 最常用的是VGG16。 从图3.12中可以看出， VGGNet采用了五组卷积与三个全连接层， 最后使用Softmax做分类。 VGGNet有一个显著的特点： 每次经过池化层（maxpool） 后特征图的尺寸减小一倍， 而通道数则增加一倍（最后一个池化层除外） 。
AlexNet中有使用到5×5的卷积核， 而在VGGNet中， 使用的卷积核基本都是3×3， 而且很多地方出现了多个3×3堆叠的现象， 这种结构的优点在于， 首先从感受野来看， 两个3×3的卷积核与一个5×5的卷积核是一样的； 其次， 同等感受野时， 3×3卷积核的参数量更少。 更为重要的是， 两个3×3卷积核的非线性能力要比5×5卷积核强， 因为其拥有两个激活函数， 可大大提高卷积网络的学习能力。
下面使用PyTorch来搭建VGG16经典网络结构， 新建一个vgg.py文件， 并输入以下内容 : 在终端中进入上述vgg.py文件的同级目录， 输入python3进入交互式环境， 利用下面代码调用该模块。 神经网络 - VGGNet 15 标签：python3 opened als 尺寸 mamicode mes abd try mode 原文地址：https://www.cnblogs.com/zhaopengpeng/p/13674554.html
1 import torch
2 from torch import nn
3
4 class VGG(nn.Module):
5
6 def __init__(self, num_classes=1000):
7 super(VGG, self).__init__()
8 layers = []
9 in_dim = 3
10 out_dim = 64
11
12 # 循环构造卷积层， 一共有13个卷积层
13 for i in range(13):
14 layers += [nn.Conv2d(in_dim, out_dim, 3, 1, 1), nn.ReLU(inplace=True)]
15 in_dim = out_dim
16 # 在第2、 4、 7、 10、 13个卷积层后增加池化层
17 if i==1 or i==3 or i==6 or i==9 or i==12:
18 layers += [nn.MaxPool2d(2, 2)]
19 # 第10个卷积后保持和前边的通道数一致， 都为512， 其余加倍
20 if i!=9:
21 out_dim*=2
22
23 self.features = nn.Sequential(*layers)
24 # VGGNet的3个全连接层， 中间有ReLU与Dropout层
25 self.classifier = nn.Sequential(
26 nn.Linear(512*7*7, 4096),
27 nn.ReLU(True),
28 nn.Dropout(),
29 nn.Linear(4096, 4096),
30 nn.ReLU(True),
31 nn.Dropout(),
32 nn.Linear(4096, num_classes),
33 )
34
35 def forward(self, x):
36 x = self.features(x)
37 # 这里是将特征图的维度从[1, 512, 7, 7]变到[1, 512*7*7]
38 x = x.view(x.size(0), -1)
39 x = self.classifier(x)
40 return x
1 import torch
2 from vgg import VGG
3
4 vgg = VGG(21).cuda()
5 input = torch.randn(1, 3, 224, 224).cuda()
6 print(input.shape)
7 >> torch.Size([1, 3, 224, 224]
8
9 scores = vgg(input)
10 print(scores.shape)
11 >> torch.Size([1, 21])
12
13 features = vgg.features(input)
14 print(features.shape)
15 >> torch.Size([1, 512, 7, 7])
16 print(vgg.features)
17 >> Sequential(
18 (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
19 (1): ReLU(inplace=True)
20 (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
21 (3): ReLU(inplace=True)
22 (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
23 (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
24 (6): ReLU(inplace=True)
25 (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
26 (8): ReLU(inplace=True)
27 (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
28 (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
29 (11): ReLU(inplace=True)
30 (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
31 (13): ReLU(inplace=True)
32 (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
33 (15): ReLU(inplace=True)
34 (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
35 (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
36 (18): ReLU(inplace=True)
37 (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
38 (20): ReLU(inplace=True)
39 (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
40 (22): ReLU(inplace=True)
41 (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
42 (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
43 (25): ReLU(inplace=True)
44 (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
45 (27): ReLU(inplace=True)
46 (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
47 (29): ReLU(inplace=True)
48 (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
49 )