VGG-pytorch实现

最新推荐文章于 2023-08-18 21:30:24 发布

原创

最新推荐文章于 2023-08-18 21:30:24 发布 · 857 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#pytorch #深度学习 #神经网络

本文详细介绍了VGG网络的结构特点及PyTorch实现，并使用FashionMNIST数据集进行训练测试，最后达到86.77%的精度。VGG网络通过采用连续的小卷积核来提升网络深度，从而提高特征学习能力。

VGG

1.网络结构

如图可见，VGG网络的构造很简单，通过不断地卷积，池化，扩大通道数，降低宽高，最终平展为一维数据再进行softmax分类。相较于AlexNet而言，VGG最大的特征就是降低了卷积核尺寸，增加了卷积核的深度层数，拥有更多的非线性变换，增加了CNN对特征的学习能力。

2.pytorch网络设计

这里采用的数据集为FashionMNIST数据集，慢慢地往后的文章也会引入更多的数据集使用，Fashion MNIST包含了10种类别70000个不同时尚穿戴品的图像，整体数据结构上跟MNIST完全一致。每张图像的尺寸同样是28*28，但下载下来的数据通道数为1。

#定义块
def vgg_block(num_convs, in_channels, num_channels):
    layers = []
    for i in range(num_convs):
        layers += [nn.Conv2d(in_channels=in_channels, out_channels=num_channels, kernel_size=3, padding=1)]
        in_channels = num_channels
    layers += [nn.ReLU()]
    layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
    return nn.Sequential(*layers)


# 网络定义
class VGG(nn.Module):
    def __init__(self):
        super(VGG, self).__init__()
        # 这里适配输入为3x224x224的图片
        self.conv_arch = ((1, 3, 64), (1,