【深度学习】使用tensorflow实现VGG19网络

最新推荐文章于 2025-03-29 22:38:34 发布

杨得江-君临天下wyj

最新推荐文章于 2025-03-29 22:38:34 发布

阅读量1k

点赞数 6

文章标签：网络协议网络

本文链接：https://blog.youkuaiyun.com/2301_78835635/article/details/133823768

版权

【深度学习】使用tensorflow实现VGG19网络

本文章向大家介绍【深度学习】使用tensorflow实现VGG19网络，主要内容包括其使用实例、应用技巧、基本知识点总结和需要注意事项，具有一定的参考价值，需要的朋友可以参考一下。

VGG网络与AlexNet类似，也是一种CNN，VGG在2014年的 ILSVRC localization and classification 两个问题上分别取得了第一名和第二名。VGG网络非常深，通常有16－19层，卷积核大小为 3 x 3，16和19层的区别主要在于后面三个卷积部分卷积层的数量。第二个用tensorflow独立完成的小玩意儿......

模型结构

可以看到VGG的前几层为卷积和maxpool的交替，每个卷积包含多个卷积层，后面紧跟三个全连接层。激活函数采用Relu，训练采用了dropout，但并没有像AlexNet一样采用LRN（论文给出的理由是加LRN实验效果不好）。

模型定义

def maxPoolLayer(x, kHeight, kWidth, strideX, strideY, name, padding = "SAME"):
    """max-pooling"""
    return tf.nn.max_pool(x, ksize = [1, kHeight, kWidth, 1],
                          strides = [1, strideX, strideY, 1], padding = padding, name = name)

def dropout(x, keepPro, name = None):
    """dropout"""
    return tf.nn.dropout(x, keepPro, name)

def fcLayer(x, inputD, outputD, reluFlag, name):
    """fully-connect"""
    with tf.variable_scope(name) as scope:
        w = tf.get_variable("w", shape = [inputD, outputD], dtype = "float")
        b = tf.get_variable("b", [outputD], dtype = "float")
        out = tf.nn.xw_plus_b(x, w, b, name = scope.name)
        if reluFlag:
            return tf.nn.relu(out)
        else:
            re