智能数字图像处理：VGGNet代码（pytorch）之model.py解读

最新推荐文章于 2025-07-22 15:15:47 发布

原创

最新推荐文章于 2025-07-22 15:15:47 发布 · 1.9k 阅读

15 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #神经网络 #卷积神经网络 #tensorflow

本文详细解读了使用PyTorch实现的VGGNet模型，包括卷积层、池化层、全连接层的配置，Dropout正则化，以及前向传播过程。同时介绍了模型初始化和数据字典的配置，展示了如何根据不同vgg版本创建网络实例。

1. self.features = nn.Sequential() ：精简模块代码，提高复用。放入conv层代码或者全连接层代码。

2.分类层classifier：

Dropout层：nn.Dropout(p=0.5)-》随机损失一半权重参数

全连接层：nn.Linear(128 * 6 * 6, 2048),-》输入128通道的6*6图像，连接层节点个数为2048个

ReL激活层： nn.ReLU(inplace=True),-》减少计算量，防止梯度消失。

Dropout层：nn.Dropout(p=0.5)-》随机损失一半权重参数
全连接层：nn.Linear(2048, 2048),,-》输入2048个参数，连接层节点个数为2048个
ReL激活层： nn.ReLU(inplace=True),-》减少计算量，防止梯度消失。
全连接层：nn.Linear(2048, num_classes),,,-》输入2048个参数，连接层节点个数为分类个数。

3.前向传播函数：def forward(self, x):

调用卷积模型：x = self.features(x)
将卷积层得到的参数转成一维向量：x = torch.flatten(x, start_dim=1)
传入全连接层：x = self.classifier(x)

4.权重初始化：

def _initialize_weights(self):
for m in self.modules():
if isinstance(m, nn.Conv2d):
nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')
if m.bias is not None:
nn.init.constant_(m.bias, 0)
elif isinstance(m, nn.Linear):