VGG16学习笔记

最新推荐文章于 2025-06-15 11:20:23 发布

dta0502

最新推荐文章于 2025-06-15 11:20:23 发布

阅读量6.6w

点赞数 27

CC 4.0 BY-SA版权

分类专栏：深度学习文章标签：深度学习神经网络 VGG

本文链接：https://blog.youkuaiyun.com/dta0502/article/details/79654931

本文介绍了VGG16卷积神经网络的基本结构和在2014年ILSVRC比赛中的优秀表现。通过Keras详细讲解了如何实现和应用VGG16，包括预训练权重的加载、模型预测以及模型的保存和恢复。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一. 简述

VGG卷积神经网络是牛津大学在2014年提出来的模型。当这个模型被提出时，由于它的简洁性和实用性，马上成为了当时最流行的卷积神经网络模型。它在图像分类和目标检测任务中都表现出非常好的结果。在2014年的ILSVRC比赛中，VGG 在Top-5中取得了92.3%的正确率。

VGG结构图

VGG-16

VGG模型有一些变种，其中最受欢迎的当然是 VGG-16，这是一个拥有16层的模型。你可以看到它需要维度是 224*224*3 的输入数据。

二. Keras实现VGG16

from keras import Sequential
from keras.layers import Dense, Activation, Conv2D, MaxPooling2D, Flatten, Dropout
from keras.layers import Input
from keras.optimizers import SGD

model = Sequential()

# BLOCK 1
model.add(Conv2D(filters = 64, kernel_size = (3, 3), activation = 'relu', padding = 'same', name = 'block1_conv1', input_shape = (224, 224, 3)))   
model.add(Conv2D(filters = 64, kernel_size = (3, 3), activation = 'relu', padding = 'same', name = 'block1_conv2'))
model.add(MaxPooling2D(pool_size = (2, 2), strides = (2, 2), name = 'block1_pool'))

# BLOCK2
model.add(Conv2D(filters = 128, kernel_size = (3, 3), activation = 'relu', padding = 'same', name = 'block2_conv1