TF2-复现VGG网络结构

最新推荐文章于 2025-03-21 11:52:28 发布
最新推荐文章于 2025-03-21 11:52:28 发布
阅读量3.3k 收藏 1
点赞数
分类专栏： tensorflow2基础教程与项目实战 文章标签： tensorflow python 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44095417/article/details/123720322
版权
本文介绍了VGG网络结构，通过Tensorflow 2复现了VGG16与VGG19。VGG网络采用连续3x3卷积核代替大卷积核，减少了参数数量并增加了网络深度。文章详细阐述了VGG16和VGG19的隐藏层构成，并承诺下期将实现Inception网络。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

上期我们分享了LeNet与AlexNet的网络结构，今天我们来利用Tensorflow 2复现VGG16与VGG19的网络结构。

VGG网络结构

VGG16相比AlexNet的一个改进是采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）。对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。

在这里插入图片描述

  • VGG16包含了16个隐藏层（13个卷积层和3个全连接层），如上图中的D列所示。

  • VGG19包含了19个隐藏层（16个卷积层和3个全连接层），如上图中的E列所示。

VGG的网络结构看起来很简洁，但它较为耗计算资源。下面我们分别来实现VGG16与VGG19。

VGG16

了解本专栏 订阅专栏 解锁全文 超级会员免费看
TF2.0深度学习实战（五）：搭建VGG系列卷积神经网络
不积跬步，无以至千里！
04-03 1万+
你与AI只差这一步~
TensorFlow北大公开课学习笔记8-复现vgg16并实现图片识别
qq_37791134的博客
11-06 3813
https://www.cs.toronto.edu/~frossard/post/vgg16/ 】img_ready = re_img.reshape((1, 224, 224, 3)) ValueError: cannot reshape array of size 200704 into shape (1,224,224,3)因为图片是四通道的，为啥？224*334*4=200704 ...
vgg16的tf2实现
qq_42112607的博客
10-22 366
@[TOC]前言 学习经典卷积神经网络，在这里记录学习历程（经验与坑） 主要参考文章：原博客 原博客是基于tf1和keras实现的，这里修改代码使得能在tf2.2下运行。同时对代码进行详细注释，方便日后回顾。 源代码和数据集 源代码链接: https://pan.baidu.com/s/1rnv_ieni4srvGgS-TreZAQ 提取码: bnsq 数据集链接: https://pan.baidu.com/s/1ErZtyhlGRvAfevRqAQT2Ug 提取码: xrva 将数据集下载后解压到dat
VGG网络介绍
最新发布
qq_52003178的博客
03-21 390
3×3111×112×22224×224×33×3, 64224×224×643×3, 1283×3, 25656×56×2563×3, 51228×28×5123×3, 51214×14×512409640961000📌结构类似，只是在卷积层数上有所增加（VGG16: 13 个卷积层，VGG19: 16 个卷积层）。
深度学习分类任务(3):TF2.0基于fashion数据集的VGG16神经网络搭建
青鸠的博客
08-11 989
TF2.0基于fashion数据集的VGG16神经网络搭建 1、VGG16简介 VGG是由Simonyan 和Zisserman在文献《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。 该模型参加2014年的 ImageNet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一。
VGG19 基本网络结构图
happyday_d的博客
11-15 3万+
VGG19 基本网络结构图 VGG19论文可参考网上论文，Keras中使用plot_model可参考网上内容。 keras 中利用plot_model可绘制网络的结构图，Vgg19的网络结构图如下(输出根据自己的应用进行了一些修改)： ...
VGG19卷积网络结构
weixin_42602368的博客
12-19 2640
VGG19 是一种卷积神经网络，它由 19 层卷积层和 3 层全连接层组成。 在 VGG19 中，前 5 层卷积层使用的卷积核大小均为 3x3，并且使用了 2x2 的最大池化层。这 5 层卷积层是有序的，分别称为 conv1_1、conv1_2、conv2_1、conv2_2 和 conv3_1。 之后的 4 层卷积层使用的卷积核大小仍然为 3x3，但是不再使用最大池化层。这 4 层卷积层也是有序...
卷积神经网络（2）----Vgg16
liupc的学习笔记
03-28 947
一、VGG net介绍 点击此处返回总目录 二、常用的函数 三、VGG16网络结构 ...
Keras---实现VGG16网络
qq_37588821的博客
07-26 5229
摘要 VGG 16网络在一些复杂的目标检测网络里会把它的卷积层拿出来做特征提取，所以本文主要聊聊VGG 16网络组成;使用keras复现vgg16;使用keras的已封装的vgg16做微调（使用已训练的卷基层，只训练全连接层）。 VGG 16组成 vgg16是vgg网络家族中的一员，也是使用较多的一种，网络深度有16层，与以前接触的CNN网络差不多，论文中说vgg网络特点是深度较深，使用3*...
复现VGG（keras and pytorch）
__不想写代码__的博客
05-15 1344
Paddle复现VggNet前言一、VGGNet1.简介2. 网络结构二、网络复现步骤1.Paddle复现2.Kera复现总结 前言 大家好！距离上一篇博客已经有十天了，因为这十天我去了解Paddle了，这是百度的一个框架，官网已经有很多教程了。设计理念有点类似与Pytorch，但是之前学Keras的我，拿着代码一脸懵逼。慢慢啃了一下，这里就跟大家分享一下。另外VGGNet 用keras的复现我也做了，会在下面附上链接。我会在这篇博客简单介绍，由于我也是刚开始了解，介绍不对的地方还请大家指正。 .
VGG-19、VGG-16网络结构
weili_的博客
04-01 6231
VGG-19 网络结构如下：        0 is conv1_1 (3, 3, 3, 64)         1 is relu activation function          2 is conv1_2 (3, 3, 64, 64)         3 is relu             4 is maxpool         5 is conv2_1 (3, ...
VGG19网络参数——mat格式文件
11-02
该文件为VGG19网络参数，文件名称为vgg.mat，本人在做风格转移时使用VGG19网络进行特征图的提取，详细内容请见：https://blog.youkuaiyun.com/qq_40298054/article/details/109433146
VGG16卷积神经网络–TensorFlow2
01-21
VGG16卷积神经网络–TensorFlow2结果展示loss和acc曲线计算参数程序 结果展示 loss和acc曲线 epoch = 10 acc = 90.02% 计算参数 程序 # -*- coding: utf-8 -*- Created on Tue Apr 14 2020 @author: jiollos # 导入包 import tensorflow as tf import os import numpy as np from matplotlib import pyplot as plt from tensorflow.keras.layers impor
VGG19预训练模型（不包括全连接层）
01-17
VGG19预训练模型（不包括全连接层），是一个字典结构，请使用numpy读取。
VGG16和VGG19网络结构图
热门推荐
刀刀鱼
11-07 4万+
VGG16 VGG19
CNN基础论文 精读+复现----VGG(二)
深度不学习！！的博客
03-10 2712
文章目录前言网络搭建初始化权重结果分析 前言 之前已经把VGG大部分的东西弄完了，没看过的可以去看一下，CNN基础论文 精读+复现----VGG(一) 今天用代码复现一下吧。 pytorch实现VGG16。 网络搭建 在第三章说了很多参数， batch = 256 动量 = 0.9 权重衰减 5∗10−45 * 10^{-4}5∗10−4 dropout = 0.5 学习率 0.01 epoch = 74 看下面这张图开始搭建网络。 直接先写出来前两层的卷积+池化， 文中已给出 卷积核 3 * 3，
神经网络—VGG19（pytorch）
2403_86447519的博客
08-29 2458
VGG19网络的介绍
VGG 网络结构
hankerbit的博客
04-13 9485
从图中可以看出VGG结构由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max-pooling（最大池化）分开，所有隐层的激活单元都采用ReLU函数。VGG最大的贡献就是证明了卷积神经网络的深度增加和小卷积核的使用对网络的最终分类识别效果有很大的作用。 卷积层部分尺度没有变化（3*3的卷积核，stride为1，padding为1），只有通过max pooling层时尺度缩...
VGG11、VGG13、VGG16、VGG19网络结构图
weixin_43917574的博客
02-08 1万+
VGG11、VGG13、VGG16、VGG19网络结构图
Fast R-CNN复现代码
03-21
<think>好的，用户想找Fast R-CNN的复现代码。首先，我需要回忆一下相关的信息。根据引用[1]，Fast R-CNN的代码是用Python和C++写的，基于Caffe框架，并且是MIT开源许可证发布的，在GitHub上的链接是https://github.com/rbgirshick/fast-rcnn。这里应该直接给出这个仓库的链接，用户就能访问到官方代码了。 接下来，用户可能需要一些使用指导。比如安装依赖，运行demo的步骤，还有训练数据集的准备。我应该分步骤说明这些，确保用户能一步步操作。例如，克隆仓库、安装Caffe、下载预训练模型和数据集这些关键步骤。同时要提醒用户注意版本兼容性问题，因为Caffe可能在不同版本之间有变化，需要按照仓库的README进行调整。 另外，用户可能对复现结果感兴趣，可以引用论文中的结果，比如在PASCAL VOC 2007上的检测结果，如引用[3]提到的68.1%的mAP，这样用户能验证他们的实现是否正确。还可以提到Faster R-CNN结合RPN的改进，如引用[2]和[4]中的内容，但用户的问题主要是Fast R-CNN，所以这部分可能作为扩展信息，简要提及即可。 然后，相关问题部分需要考虑用户可能的后续问题。例如，如何准备训练数据、与其他框架的对比、性能优化技巧，以及Fast R-CNN和Faster R-CNN的区别。这些问题能帮助用户更深入地理解和应用Fast R-CNN。 最后，需要确保回答符合格式要求，使用中文，行内公式用$...$，独立公式用$$...$$，但在这个问题中可能用不到太多数学公式。不过要检查是否有变量或方程需要格式化，目前看起来可能不需要。同时，引用标识要正确添加在对应的引用位置末尾，比如[^1]、[^3]等。 总结步骤：先给出官方代码链接，再提供使用步骤，注意事项，复现结果，然后生成相关问题。确保所有引用正确，并且回答结构清晰，分点说明，方便用户理解。</think>根据引用[1]提供的官方信息，Fast R-CNN的官方实现代码由作者Ross Girshick团队开源在GitHub仓库： **官方代码库** https://github.com/rbgirshick/fast-rcnn ### 代码使用指引 1. **环境依赖** 需要安装Caffe框架（基于引用[1]中提到的Caffe实现），建议使用Python 2.7环境和CUDA加速。代码仓库中提供`requirements.txt`文件，可通过以下命令安装依赖： ```bash pip install -r requirements.txt ``` 2. **预训练模型下载** 需要下载VGG-16等预训练模型（对应引用[4]中的卷积网络结构），官方仓库提供下载脚本： ```bash ./data/scripts/fetch_fast_rcnn_models.sh ``` 3. **数据集准备** 支持PASCAL VOC数据集（如引用[3]中的VOC 2007/2012），需按标准目录结构组织数据： ``` Fast-RCNN ├── data │ └── VOCdevkit2007 │ └── VOC2007 ``` 4. **训练与测试** 运行示例命令： ```bash ./tools/train_net.py --gpu 0 --solver models/VGG16/solver.prototxt --weights data/imagenet_models/VGG16.v2.caffemodel ``` ### 关键注意事项 - 复现论文结果时需注意训练数据组合（如引用[3]中提到的"07+12"联合训练集） - 默认使用Selective Search提议区域（非RPN，RPN为Faster R-CNN组件[^4]） - 目标检测mAP指标可达68.1%（VOC 2007测试集）[^3] ### 扩展实现资源 若需包含RPN的改进版本，可参考Faster R-CNN实现（引用[2][4]）： - PyTorch复现：https://github.com/jwyang/faster-rcnn.pytorch - TensorFlow复现：https://github.com/endernewton/tf-faster-rcnn
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

DataAssassin

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值