[语义分割] Pytorch-用for语句构成VGG模型

原创 已于 2022-07-25 10:57:03 修改 · 998 阅读 · 1 ·
CC 4.0 BY-SA版权
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。
文章标签：

#深度学习 #神经网络 #计算机视觉 #pytorch

于 2022-07-23 17:51:40 首次发布

[语义分割] Pytorch-用for语句构成VGG模型

文章目录

前言

VGG神经网络模型是一个通用性强，经典且实用的模型，一般情况下都是直接进行相应网络的连接，采用conv2d和MaxPool等的不断重复来进行，现在采用for语句来简单实现。

提示：以下是本篇文章正文内容，下面案例可供参考

一、VGG模型的背景

VGG是由Simonyan 和Zisserman在文献《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。

结构如下图所示：

在这里插入图片描述
这个图形为VGG16的图形，反应了其相应的结构
当我们使用VGG16作为主干特征提取网络的时候，我们只会用到两种类型的层，
卷积层con2d和最大池化层maxpool

二、VGG相应不同结构

1.结构框图

对多种不同深度的网络进行了测试，分别称为为A-E网络，从11-19层，其中D和E被称为VGG16和VGG19。各网络结构如下
在这里插入图片描述

2.对样例VGG16做具体说明

当输入的图像大小为512x512x3的时候，具体执行方式如下：

  1. conv1：进行两次[3,3]的64通道的卷积，获得一个[512,512,64]的初步有效特征层，再进行2X2最大池化，获得一个[256,256,64]的特征层。
  2. conv2：进行两次[3,3]的128通道的卷积，获得一个[256,256,128]的初步有效特征层，再进行2X2最大池化，获得一个[128,128,128]的特征层。
  3. conv3：进行三次[3,3]的256通道的卷积，获得一个[128,128,256]的初步有效特征层，再进行2X2最大池化，获得一个[64,64,256]的特征层。
  4. conv4：进行三次[3,3]的512通道的卷积，获得一个[64,64,512]的初步有效特征层，再进行2X2最大池化，获得一个[32,32,512]的特征层。
  5. conv5：进行三次[3,3]的512通道的卷积，获得一个[32,32,512]的初步有效特征层

在这里插入图片描述

相应代码

# make layer是对每一层的层自定义，有点类似于nn.Sequential（），
# 但是layer是将每一层所要的网络或者激活函数归一化存在一个数组，
# 目前看来他的优点，可以用一个for循环去定义整个网络，不用对对每一层都写同样的函数。从而只改变他的参数就行了。
# 调用函数 make_layers(cfgs["D"], batch_norm=False, in_channels=in_channels)
# [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M']
最低0.47元/天 解锁文章
pytorch for循环性能对比
jacke121的专栏
09-13 9775
for循环比整体操作慢几百倍 import time import torch import os os.environ["CUDA_VISIBLE_DEVICES"] = '0' t1 = time.time() x = torch.rand(200,200) for i in range(x.size(0)):     for j in range(x.size(1)):       ...
MATLAB算法实战应用案例精讲-【人工智能】语义分割（最终篇）(附实战应用案例及代码实现)
qq_36130719的博客
01-02 2066
SETR 是首个在分割任务上超越 CNN 的 Transformer 网络结构，该论文作者认为，虽然 FCN 及其衍生网络都取得了较好的成绩，但本质上都是 encoder-decoder 的结构，所以，该论文作者想要将分割任务构建成一个 sequence-to-sequence 的结构，所以就提出了一个纯 Transformer 的结构（无 CNN 和分辨率降低）。HRNet 通过将由高到低的分辨率特征结合起来的方式，实现对高分辨率特征的保留，并且不同分辨率的特征也进行了信息交换。
对pytorch的张量使用for循环
weixin_47588203的博客
06-02 7068
1. 一维张量 对于一个一维张量，使用for循环，取出的是里面的每一项 import torch a = torch.tensor[1, 2, 3] for b in a: print(b) 此时输出结果为 tensor(1) tensor(2) tensor(3) 2. 二维张量 代码 import torch a = torch.tensor([[1, 2, 3], [4, 5, 6]]) for b in a: print(b) 输出结果 tensor([1, 2, 3]) tensor([
Python 循环语句之 for
wander_alice的博客
08-28 434
for语句用于对序列（例如字符串、元组或列表）或其他**可迭代对象**中的元素进行迭代。遍历操作的容易实现，使得for循环是最常使用的循环语句。一次迭代可以执行一次循环体。可以通过continue语句跳过，也可以跳过break语句跳出。
Pytorch2—python函数体定义、zip、for用法——FizzBuzz游戏实验
m0_38057941的博客
09-27 2039
1.python基本语法 1.1.函数体定义与调用 def 函数名(参数列表): 函数体 先定义，后调用 #先定义 def sum(i,j): return i+j #后调用 result=sum(1.2,3) print("输出结果：%f"%result) 1.2.zip用法 1.2.1.zip() zip()，执行各数组之间的元素打包,而且元素个数与最短的列表一致 zip函数返回一个zip类型对象，所以输出时，需要转换为list类型 import numpy
Pytorch 入门之--简单循环网络RNN
机器学习专栏
06-11 1602
循环神经网络已经被广泛应用在语音识别、语言模型以及自然语言生成等任务上。RNN不仅能够处理序列输入，也能够得到序列输出，这里的序列指的是向量的序列。 循环神经网络的参数学习可以通过随时间反向传播算法[Werbos, 1990] 来学习。随时间反向传播算法即按照时间的逆序将错误信息一步步地往前传递。当输入序列比较长时，会存在梯度爆炸和消失问题[Bengio et al., 1994, ...
零基础入门语义分割-地表建筑物识别 Task3 语义模型发展 -学习笔记
handsomeandge的博客
02-26 2348
贴上前两节的博客链接： task1-赛题理解 task2-数据扩增 本章主要讲解的是语义分割网络模型的发展：FCN 、SegNet、Unet、DeepLab、RefifineNet、PSPNet、 GAN 语义分割。 语义分割（全像素语义分割）作为经典的计算机视觉任务（图像分类，物体识别检测，语义分割）。其 结合了图像分类、目标检测和图像分割，通过一定的方法将图像分割成具有一定语义含义的区域块，并识 别出每个区域块的语义类别，实现从底层到高层的语义推理过程，最终得到一幅具有逐像素语义标注的分 割图像。
Pytorch应用训练好的模型
热门推荐
qq_35925375的博客
10-29 3万+
Pytorch应用训练好的模型1.保存训练好的模型：torch.save方法2.加载之前保存的模型：torch.load方法3.对于分类问题的补充4.CPU训练完整代码5.GPU训练 1.保存训练好的模型：torch.save方法 保存训练好的模型有两种方式，第一种保存模型结构且保存模型参数，第一种方式存在一种陷阱，也就是每次加载模型都得把类定义，或者访问类所在的包。保存方式为： torch.save(模型名, 以pth为后缀的文件) 第二种保存方式只保存模型参数，不保存模型结构，这样可以面对较大的网络
Pytorch搭建和训练神经网络模型
qq_35925375的博客
10-29 1511
Pytorch搭建神经网络步骤1.神经网络骨架：继承Containers中的Module类2.卷积操作：Conv2d类3.池化操作：MaxPool2d类4.非线性激活操作：ReLU类5.全连接操作：Linear类6.序列操作：Sequential类7.损失函数：loss类8.优化器：optim.SGD类 进入Pytorch官网，点击Docs下的Pytorch，在右侧点击torch.nn，可以看到搭建神经网络以下步骤中出现的每个类的定义和使用方法。 1.神经网络骨架：继承Containers中的Module类
PyTorch 入门与实践（七）循环神经网络（RNN）
过招
08-03 1302
来自 B 站刘二大人的《PyTorch深度学习实践》P12 的学习笔记 RNN Cell 循环神经网络的隐藏层可以说都是线性层（Linear），由于它主要用于预测有前后关系的序列输入，所以它像斐波那契数列一样，后一次循环要输入前一次的输出，即，递归地求出下一次输出，故弹幕里有不少人称之为递归神经网络。 下图中的左边就是一层 RNN 的隐藏层，右边是它运行的过程（RNN Cell 一直是同一个，只是可视化运行的过程）。 指向下一次输入的红色箭头就是前一次的输出 hth_tht​，xtx_txt​ 是数据.
pytorch入门（六）—— 循环神经网络
随笔
07-09 917
循环神经网络（RNN） import torch as tr import torch.nn as nn import torchvision.datasets as dsets import torchvision.transforms as tf import torch.utils.data as Data from torch.autograd import Variable seque...
pytorch 一次性forword样例代码
ENAIC__suger的博客
07-11 384
class Flatten(nn.Module): def __init__(self): super(Flatten, self).__init__() def forward(self, input): return input.view(input.size(0), -1)
PyTorch深度学习实践笔记#7 | 循环神经网络(基础篇)
z
05-30 376
PyTorch深度学习实践笔记#7 | 循环神经网络(基础篇) 嗨，我是error。 我来记录PyTorch深度学习实践的笔记了，这会是一个系列，后面会慢慢更新。个人之前都是使用tensorflow进行深度学习实践，这是第一次学习Pytorch，若笔记有误欢迎提出纠正！课件采用自B站"刘二大人"老师的视频【传送门】 其实本质上来讲RNN也是线性计算，只不过是线性计算的独特组合方式而已，通过巧妙的结构设计来获取传统线性计算不能获取的数据之间相关联信息的反馈。同时，基于参数共享的思想，使得RNN在拥有较复杂
Pytorch实现简单的循环神经网络学习笔记
争取原创，尽量不CV
03-24 839
Pytorch 实现 rnn 此内容还未涉及 LSTM 以及 深度RNN 定义模型 我们使用Pytorch中的nn.RNN来构造循环神经网络。在本节中，我们主要关注nn.RNN的以下几个构造函数参数： input_size - The number of expected features in the input x (应该是类似于词典大小) hidden_size – The number...
Python入门——循环--for循环
weixin_46302901的博客
11-26 578
1、打开Pycharm，创建Python文件，复制代码，保存运行！
通过示例学习pytorch
csdnforyou的博客
10-06 910
本教程通过自包含的示例介绍了PyTorch的基本概念。 在其核心，PyTorch提供了两个主要功能： 1)一个n维张量，类似于numpy但可以在gpu上运行 2)构建和训练神经网络的自动微分 我们将使用一个完全连接的ReLU网络作为我们的运行示例。该网络将有一个单独的隐藏层， 并将通过最小化网络输出和真实输出之间的欧氏距离来对随机数据进行训练。 Tensors 在介绍PyTorch之...
Python中的for循环用法详解，一文搞定它
最新发布
景天科技苑
02-06 7145
在Python中，for循环是一种迭代结构，用于遍历可迭代对象（如列表、元组、字符串、字典、集合等）中的元素。for循环可以解决while循环的局限性
从零开始学Pytorch（十）之循环神经网络基础
Wenrui Xie的博客
03-14 869
本节介绍循环神经网络，下图展示了如何基于循环神经网络实现语言模型。我们的目的是基于当前的输入与过去的输入序列，预测序列的下一个字符。循环神经网络引入一个隐藏变量HHH，用HtH_{t}Ht​表示HHH在时间步ttt的值。HtH_{t}Ht​的计算基于XtX_{t}Xt​和Ht−1H_{t-1}Ht−1​，可以认为HtH_{t}Ht​记录了到当前字符为止的序列信息，利用HtH_{t}Ht​对序列的下...
【Python入门】Python循环语句（for循环的基础语法）
m0_75058342的博客
06-07 1万+
【Python入门】Python循环语句：for循环的基础语法、for循环注意事项、遍历案例、变量作用域等……
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