tensorflow（五）——VGG16网络

零、CNN常用命令

• 卷积

 tf.nn.conv2d(input[batch,h,w,c],filter[h,w,c,out],strides=[1,h,w,1],padding='SAME'/'VALID',use_cudnn_on_gpu=None,data_format=None,name=None)

有关参数详细说明，见：https://blog.youkuaiyun.com/xierhacker/article/details/53174594

• 采样

tf.nn.max_pool

  tf.nn.avg_pool(value[batch,h,w,c], ksize[1,h,w,1], strides=[1,dh,dw,1], padding='SAME'/'VALID', data_format=’NHWC’, name=None)

 

• 非线性

tf.nn.relu(z)

• 全连层

tf.nn.relu_layer(input_op,kernel,biases,name=scope)

tf.nn.relu(tf.add(tf.matmul(current,kernels),bias))

• softmax

tf.nn.softmax

• 损失

tf.nn.l2_loss

• 非线性

tf.nn.relu

 

• 其他

tf.nn.bias_add(conv,biases)

 

一、VGG16模型

二、VGG网络常见问题

 

• 卷积后尺寸计算

w‘=（w - kernel_size + 2*padding）/stride    +1

举个例子：224*224*3的图片经过第一层conv3-64 ，kernel_size=3,stride=1,pad=1,每个卷积核是3*3*3通道的，共有64个卷积核

w'=h’=(224-3+2*1)/1+1=224

卷积后的大小为224*224*64

结论：用kernel_size=3,stride=1,pad=1进行卷积，卷积后长宽不变，通道数看卷积核数量

• 各层尺寸和参数数量

由table2可知：vgg16的参数量在138M（138344128），vgg19的参数量在1