VGG16模型详解 and 代码搭建

不一样的崽

已于 2022-07-12 20:57:33 修改

阅读量4.2k

点赞数 1

CC 4.0 BY-SA版权

分类专栏： # 分类文章标签：深度学习 VGG16 CNN 分类

于 2022-07-09 16:40:31 首次发布

本文链接：https://blog.youkuaiyun.com/mcuwangzai/article/details/125694606

该博客介绍了如何使用TensorFlow构建VGG16网络模型，详细展示了从数据预处理、模型搭建到训练的完整过程。VGG16以3x3卷积滤波器和池化层为特点，减少了Alexnet中可能忽略的特征。同时，提供了数据集的制作方法，包括读取、转换和保存为pkl文件。代码已上传至GitHub供参考。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一. VGG 网络模型

Alexnet是卷积神经网络的开山之作，但是由于卷积核太大，移动步长大，无填充，所以14年提出的VGG网络解决了这一问题。而且VGG网络结构简单，以基础卷积和池化组成，非常适合用作CNN的入门学习。通过卷积，池化不断将图片的尺寸减小，维度升高，提取特征。
VGG的主要贡献是全面评估网络的深度，使用3*3卷积滤波器来提取特征。解决了Alexnet容易忽略小部分的特征。目前常用的有VGG13\VGG16网络，本文实例部分以VGG16为例。VGG模型如下：

如图所示，一共列出了VGG11、VGG13、VGG16、VGG19等6种VGG模型, 以VGG16为例，因为其具有16个网络层，主要注意的是这其中不包括pooling(池化层)如maxpool,avgpool等，本文以上图中的VGG16(第D列)为例进行讲解。

二. 代码复现

1. 网络搭建

以上图中的（D列）VGG16为例，构建模型， train.py训练代码如下，其中模型搭建如network = Sequential所示。

import tensorflow as tf
import numpy as np
import os
import cv2
from tensorflow.keras import layers, optimizers, datasets, Sequential
import sys
from six.moves import cPickle

# 调用 GPU
gpu = tf.config.experimental.list_physical_devices('GPU')
if len(gpu) > 0:
    tf.config.experimental.set_memory_growth(gpu[0], True)

def main():

    ######第一步，train, test # 加载数据
    #  batchsize 指每次 用作训练样本数， 比如训练样本总数为10000, 其中 训练集 8000张  验证集2000
    #  Train_batchsize = 80 ，则说明将所有数据训练一轮需要 8000/80 = 100 步 (step = 100) 也称一轮训练迭代100次
    #  训练时 还有一个参数 epoch, 表示整个训练 需要轮几次， 如epoch = 100 , 则表示 需要将整个 数据集训练100轮
    #  则整个训练 需要 迭代 epoch * (8000/Train_batchsize) = 10000 次
    Train_batchsize = 80
    val_batchsize = 50
    
    # 加载 训练集 和 验证集, 
    # x -> 训练用图片数据  x_val -> 验证用图片数据  
    # y -> 训练用图片标签  y_val ->