深度学习实战代码40例（1）——VGG16理论与实战

最新推荐文章于 2024-06-22 16:07:51 发布

AI炮灰

最新推荐文章于 2024-06-22 16:07:51 发布

阅读量812

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习实战代码40例文章标签：深度学习神经网络

本文链接：https://blog.youkuaiyun.com/bigData1994pb/article/details/119213230

深度学习实战代码40例专栏收录该内容

26 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了VGG16模型的理论背景及其在2014年ImageNet比赛中的表现。VGG16由多个卷积层和最大池化层构成，以实现深度图像识别。接着，文章提供了使用Python、CUDA和TensorFlow实现VGG16的简要概述，并提及在毫米波雷达数据上的应用，尽管受限于GPU资源，但经过500次迭代可达到95%的效果。

1.VGG16理论

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。
该模型参加2014年的 ImageNet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一。它的结构如下图所示：

1、一张原始图片被resize到(224,224,3)。
2、conv1两次[3,3]卷积网络，输出的特征层为64，输出为(224,224,64)，再2X2最大池化，输出net为(112,112,64)。
3、conv2两次[3,3]卷积网络，输出的特征层为128，输出net为(112,112,128)，再2X2最大池化，输出net为(56,56,128)。
4、conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(56,56,256)，再2X2最大池化，输出net为(28,28,256)。
5、conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(28,28,512)，再2X2最大池化，输出n