VGG网络学习

VGG介绍

 

VGG网络架构

 

 

cfgs里面对应了四个vgg网络的结构

列表里面的数字代表卷积核的个数

由于卷积核大小均为3*3

‘M’代表池化层的

通过Make_features函数传入列表

Layers空列表用于放置网络的每一层

RGB彩色图片，所以输入通道数为3

池化核为2    步距也为2

输入的通道3，输出的特征矩阵深度  对应为卷积核的个数  v为输出通道数，所以v赋给in_channels作为下一层的输入

Nn.Sequential(*layers)将列表通过非关键字参数的形式创建一个网络模型

接下来是分类网络结构

在初始化函数当中，传入features（刚刚的那个make_features），所需要分类的类别个数，是否对网络权重初始化。

最后生成7*7*512的网络结构，展平处理后变为512*7*7，dropout丢掉50%数据（50%比例随机失活神经元），防止过拟合，然后进行全连接层，神经元个数为2048，然后进行下一个全连接层，最后一个全连接层的输出为类别的个数。

正向传播

x为输入的图像，先进行提取特征，接下来开始展平，第0个维度是batch，从第一个维度开始展平。然后进入到分类网络当中。

实例化vgg网络

将vgg16传入到cfg中，通过VGG类来实例化VGG网络（传入features由make_features生成，**kwargs对应一个可变长度的字典变量，通过在调用vgg函数时所传入的字典变量得到，可能包含分类个数）。

接下来看训练脚本。

选用并输出训练方式

对训练集和验证集进行预处理操作，

随机裁剪、随机水平翻转、转化成Tensor格式、对其进行标准化处理，从头开始训练，如果基于迁移学习，则输入预训练好的模型的最佳参数[123.68,116.78,103.94]Imagenet数据集。

DataLoader数据生成器  num_workers=0  Windows默认为0，线程个数。

实例化vgg网络

参数为：模型名称、分类个数、是否需要权重初始化。