如何用Vgg-16神经网络训练cifar-10

如何用Vgg-16神经网络训练cifar-10

由于vgg-16的输入是224* 224* 3，而cifar-10的输入是32* 32* 3（经转换后得到的）故应该对vgg-16模型进行修改

vgg-16架构

训练输入：固定尺寸224* 224的RGB图像。
预处理：每个像素值减去训练集上的RGB均值。
卷积核：一系列3* 3卷积核堆叠，步长为1，采用padding保持卷积后图像空间分辨率不变。
空间池化：紧随卷积“堆”的最大池化，为2*2滑动窗口，步长为2。
全连接层：特征提取完成后，接三个全连接层，前两个为4096通道，第三个为1000通道，最后是一个soft-max层，输出概率。所有隐藏层都用非线性修正ReLu

对应cifar-10的vgg-16模型参数

这里我们只采用A方法，共11层
由于224* 224* 3的图像第一层的卷积核个数为64，所以等比缩放后32* 32* 3的图像第一层卷积核个数为16。
同理，后面第2,3,4,5层卷积核个数分别为32,64,128,128
由于vgg-16标准模型输出大小为1000，而cifar-10输出大小为10，所以将全连接三层分别设为100,40,10

<