头歌——机器、深度学习——模型构建-VGG

已于 2024-06-15 21:25:02 修改
阅读量1.5k 收藏 15
点赞数 8
CC 4.0 BY-SA版权
分类专栏： 头歌 深度学习 机器学习 文章标签： 深度学习 机器学习
于 2024-06-13 16:14:26 首次发布
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。
本文链接：https://blog.youkuaiyun.com/absths/article/details/139657307

第1关：VGG

任务描述

通过本关卡，你将掌握VGG的网络结构，并使用pytorch进行网络结构搭建。

相关知识

VGG是在2014年由牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司一起研发出了新的深度卷积神经网络，该网络取得了ILSVRC2014比赛分类项目的第二名，VGG可以看成是加深版的AlexNet，整个网络由卷积层和全连接层叠加而成，和AlexNet不同，也正是VGG的贡献在于：VGG是使用很小的卷积核(3×3)构建各种深度的卷积神经网络结构，并对这些网络结构进行了评估，在最终的结果上16-19层的网络深度，能够取得较好的识别精度。 这也就是常用来提取图像特征的VGG-16和VGG-19。

VGG的网络结构

VGG整个结构只有3×3的卷积层，连续的卷积层后使用池化层隔开。虽然层数很多，但是很简洁。网络流程如下:

,


图 2-1-1 VGG网络结构 整个结构具有如下的特点：

  • 使用连续的的多个小卷积核(3×3)，来代替一个大的卷积核（例如(5×5),从而减少参数
  • 通道数更多，特征度更宽，每个通道代表着一个FeatureMap，更多的通道数能表示更丰富的图像特征
  • 在网络测试阶段将训练阶段的三个全连接替换为三个卷积，使得测试得到的全卷积网络因为没有全连接的限制，因而可以接收任意宽或高为的输入

VGG网络的具体参数设置如下图所示：
 

最低0.47元/天 解锁文章

200万优质内容无限畅学
TensorFlow深度学习实战（9）——构建VGG模型实现图像分类
盼小辉丶的博客
02-25 3494
VGG 模型是一种经典的深度卷积神经网络 (Convolutional Neural Network, CNN) 架构，该模型以其简单而有效的设计而著名，在图像分类任务中取得了优异成绩。VGG 模型的核心特点是采用了深层的网络结构，其中大部分层由卷积层和池化层组成，且卷积操作使用了尺寸较小的 3 x 3 卷积核，这使得网络能够捕捉到丰富的图像特征。
Keras深度学习实战——基于VGG19模型实现性别分类
盼小辉丶的博客
07-01 7739
VGG19 是 VGG16 的改进版本，具有更多的卷积和池化操作。本文首先简要介绍了 VGG19 的架构，并使用 Keras 中预训练的 VGG19 模型进行性别分类实战。
头歌（第五章 机器学习基本模型与算法在线实验闯关）
热门推荐
明文凱的博客
04-17 1万+
【代码】头歌（第五章 机器学习基本模型与算法在线实验闯关）
基于Pytorch框架构建VGG-16模型
2301_78972534的博客
06-25 1169
前向传播函数接收输入x，首先通过特征提取部分self.features，然后将特征图展开为一维向量，最后通过分类器部分self.classifier得到最终的分类结果
头歌第1关：VGG
qq_73866088的博客
05-16 1205
return x。
走向深度|VGG（一）
顾道长生的科研笔记
02-25 846
用于大规模图像识别的非常深的卷积网络 论文题目：Very Deep Convolutional Networks for Large-Scale Image Recognition paper是牛津大学发表在ILSVRC 2014上的工作 论文地址:链接 Abstract 在这项工作中，作者研究了卷积网络深度对其在大规模图像识别设置中的准确性的影响。主要贡献是对深度不断增加的网络进行了全面评估，这表明通过将深度提升到 16-19 个权重层可以实现对现有技术配置的显著改进。这些发现是作者提交201
感知机1 -- 感知机模型
xueyingxue001的专栏
02-16 2177
声明：        1，本篇为个人对《2012.李航.统计学习方法.pdf》的学习总结，不得用作商用。        2，由于本人在学习初始时有很多数学知识都已忘记，所以为了弄懂其中的内容查阅了很多资料，所以里面应该会有引用其他帖子的小部分内容，如果原作者看到可以私信我，我会将您的帖子的地址付到下面。        3，如果有内容错误或不准确欢迎大家指正。        4，如果能帮到你
pytorch 搭建 VGG 网络
Henry的博客
10-31 3101
VGG16 的网络结构如图：VGG 网络是由卷积层和池化层构成基础的CNN它的CONV卷积层的参数全部是由 stride = 1，padding = 1它的maxpool 最大池化层的参数都是 size = 2 ， stride = 2 组成的VGG 网络的亮点是它的卷积层全部都是由 3*3 的小型卷积核连续进行的，通过重复进行---卷积层重叠2-4次，然后再由池化层将size 减半进行处理VGG 网络提出了一个新的概念，就是通过叠加 3*3 的卷积核来替代大的卷积核。
基于tensorflow深度学习VGG-19图像风格迁移+自动去噪（MNIST数据集）机器学习+人工智能+神经网络
05-25
项目用到的网络模型为预训练好的VGG-19，使用过程中抛弃最后三个全连接层，取出前面各层的参数，构建网络结构。损失函数，由内容损失、风格损失构成。内容损失采用 L2范数损失，风格损失用 Gram 矩阵计算各通道的...
深度学习中的经典模型：VGG详解
最新发布
介绍AI领域相关知识
01-19 3019
VGG是深度学习中的一个经典模型，它的简单结构和优异性能使其成为图像分类任务的重要工具。虽然VGG的参数量较大，计算成本较高，但它的设计思想对后续的模型（如ResNet，Inception等）产生了深远的影响。希望这篇博客能够帮助你更好的理解VGG模型！
pytorch实现VGG16 (2)
m0_50127633的博客
05-19 1787
VGG16Net.py from torch import nn class Vgg16_net(nn.Module): def __init__(self): super(Vgg16_net, self).__init__() self.layer1=nn.Sequential( nn.Conv2d(in_channels=3,out_channels=64,kernel_size=3,stride=1,padding=1), #(32
Python 函数参数前面一个星号（*）和两个星号（**）的区别
m0_46172703的博客
11-04 555
在 Python 的函数中经常能看到输入的参数前面有一个或者两个星号，例如： def foo(param1, *param2): def bar(param1, **param2): 这两种用法其实都是用来将任意个数的参数导入到 Python 函数中。 单星号（*）：*agrs 将所有参数以元组(tuple)的形式导入： 实例 def foo(param1, *param2): print (param1) print (param2) foo(1,2,3,4,5) 以上代码输出结果为：
头歌——机器、深度学习——模型构建-AlexNet
absths的博客
06-13 2043
第二层：卷积层2, 输入为上一层卷积的feature map， 卷积核的个数为256，卷积核的大小为：5 × 5 × 96， pad = 2, stride = 1;然后直接进行max_pooling, pool_size = (3, 3), stride = 2;第一层：卷积层1，输入为 224 × 224 × 3的图像，卷积核的数量为96(输出特征的通道数为96)，卷积核的大小为 11 × 11 × 3，步长 stride = 4,填充数pad = 0, 表示不扩充边缘;开始你的任务吧，祝你成功！
头歌工程实训答案-机器学习篇之模型构建 —— LeNet
m0_71537260的博客
06-10 1667
output = self.fc(feature.view(img.shape[0], -1)) # 全连接层。nn.Linear(16*16, 120), # 全连接层。nn.MaxPool2d(2, 2), # 最大池化层。nn.Conv2d(6, 16, 5), # 卷积层。nn.Conv2d(1, 6, 5), # 卷积层。激活函数、最大池化层、卷积层、激活函数、最大池化层，这里搭建全连接层，需要按顺序定义全连接层、激活函数、全连接层、激活函数、全连接层，
pytorch搭建VGG网络
冲冲冲的博客
06-26 1333
VGG 网络的创新点：通过堆叠多个小卷积核来替代大尺度卷积核，可以减少训练参数，同时能保证相同的感受野。例如，可以通过堆叠两个 3×3 的卷积核替代 5x5 的卷积核，堆叠三个 3×3 的卷积核替代 7x7 的卷积核。
第一篇 AlexNet
盼盼的博客
03-14 1068
在数字化信息爆炸的时代，图像识别技术成为了人工智能领域的重要研究方向之一。本文所介绍的论文便是在这一背景下提出的，它旨在通过训练深度卷积神经网络（CNN）来解决图像分类问题，特别是在处理大规模、高分辨率图像数据集时，提高分类的准确性和效率。该论文的主要贡献在于训练了一个大型、深层的卷积神经网络，并成功将其应用于ImageNet LSVRC-2010竞赛中的120万张高分辨率图像分类任务。这些图像涵盖了1000个不同的类别，对于传统的图像识别方法而言，这是一个极具挑战性的任务。
新冠头哥答案解析
tyz12的博客
11-12 7116
【代码】新冠头哥答案解析。
CNN经典网络（3）---VGG（模型搭建+训练+预测）
m0_57224196的博客
12-29 2970
CNN之经典网络三：VGG。论文阅读+模型搭建+训练+预测
【头歌】神经网络学习之前馈神经网络
qq_63142181的博客
11-28 5877
【头歌】神经网络学习之前馈神经网络
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

打赏作者

花来❀勿Q

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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