【深度学习】Pytorch实现VGG16

最新推荐文章于 2025-01-11 13:58:23 发布

H2WO4

最新推荐文章于 2025-01-11 13:58:23 发布

阅读量1k

点赞数 2

文章标签：深度学习 pytorch 人工智能

本文链接：https://blog.youkuaiyun.com/H2WO4/article/details/132526672

版权

本文介绍了如何在PyTorch中定义并实例化VGG16模型，包括卷积层、ReLU激活和池化操作，以及全连接层的设置。还展示了如何通过`torchinfo`模块查看模型的输入输出维度。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

导入所需库，定义数据

import torch
from torch import nn

定义网络框架

class VGG16(nn.Module):
    def __init__(self):
        super().__init__()

        self.features_=nn.Sequential(
            nn.Conv2d(3,64,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(64,64,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)

            ,nn.Conv2d(64,128,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(128,128,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)

            ,nn.Conv2d(128,256,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(256,256,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(256,256,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)            
            
            ,nn.Conv2d(256,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)

            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)
        )

        self.clf_=nn.Sequential(nn.Dropout(0.5)
            ,nn.Linear(512*7*7,4096),nn.ReLU(inplace=True)
            ,nn.Dropout(0.5)
            ,nn.Linear(4096,4096),nn.ReLU(inplace=True)
            ,nn.Linear(4096,1000),nn.Softmax(dim=1)
        )
    
    def forward(self,x):
        x=self.features_(x)
        x=x.view(-1,512*7*7)
        output=self.clf_(x)
        return output

注意第一个全连接层的输入参数的大小为前一层的特征图通道数*特征图长*特征图宽，这个值会因为输入图片的大小变化而改变，可通过如下代码计算得到

net=nn.Sequential(
            nn.Conv2d(3,64,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(64,64,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)

            ,nn.Conv2d(64,128,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(128,128,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)

            ,nn.Conv2d(128,256,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(256,256,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(256,256,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)            
            
            ,nn.Conv2d(256,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)

            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.Conv2d(512,512,3,padding=1),nn.ReLU(inplace=True)
            ,nn.MaxPool2d(2)
        )

data=torch.ones(size=(10,3,224,224))
net(data).shape

运行结果如下，可见通道数为512，特征图大小为7*7

实例化模型并通过summary查看模型架构

from torchinfo import summary
vgg=VGG16()
summary(vgg,input_size=(10,3,224,224))