VGGNet-16网络结构构造

最新推荐文章于 2025-06-18 20:15:43 发布

昆仑-郑教主

最新推荐文章于 2025-06-18 20:15:43 发布

阅读量7k

点赞数 1

CC 4.0 BY-SA版权

分类专栏：深度学习

本文链接：https://blog.youkuaiyun.com/zSean/article/details/77833490

本文详细介绍了VGGNet-16的构建过程，包括卷积层、全连接层和最大池化层的创建。通过conv_op函数创建卷积层，fc_op函数构建全连接层，mpool_op函数实现最大池化。VGGNet-16分为5段卷积网络，每段包含多个卷积层和最大池化层，逐步减小图像尺寸，增加输出通道数。网络结构依次为64->128->256->512通道，最终输出为7*7*512的特征图。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

from datetime import datetime
import math
import time
import tensorflow as tf

首先构建conv_op函数，用于创建卷积层并把本层的参数存入参数列表；

def conv_op(input_op, name, kh,kw, n_out, dh, dw, p): 
   n_in = input_op.get_shape()[-1].value
   with tf.name_scope(name) as scope:
   kernel = tf.get_variable(scope+"w",shape=[kh, kw, n_in, n_out], dtype = tf.float32, initializer = tf.contrib.layers.xavier_initializer_conv2d())

input_op是输入的tensor，

name是这一层的名称，

kh是kernel height即为卷积核的高，

kw是卷积核的宽，

n_out是卷积核数量即为输出通道，

dh是步长的高，

dw是步长的宽，

p是参数列表。
通过get_shape()[-1].value获取输入的tensor的通道数；

通过tf.name_scope(name)设置scope;

通过get_variable创建卷积核参数。

shape为[kh,kw,n_in,n_out]即为卷积核的高，卷积核的宽，输入通道数，输出通道数；

使用tf.contrib.layers.xavier_initializer_conv2d()进行参数初始化。

    conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1),padding='SAME')
    bias_init_val = tf.constant(0.0, shape=[n_out], dtype=tf.float32)
    biases = tf.Variable(bias_init_val, trainable=True, name='b')
    z = tf.nn.bias_add(conv, biases)
    activation = tf.nn.relu(z,name=scope)
    p+=[kernel,biases]
    return activation

通过tf.nn.conv2d对input