浅述经典的4种卷积网络之(2)VGGNet
来源:互联网 发布:女生做数据运营 编辑:程序博客网 时间:2024/06/07 04:48
这里不对这VGGNet网络进行详细的原理阐述,只是卷积网络的由来以及网络结构和网络参数进行叙述,然后通过tensorflow进行代码实现,参看《tensorflow实战》。
1.VGG网络叙述
获得2014年ILSVRC比赛分类项目的亚军,top-5错误率7.3%,19层神经网络。VGGNet探索了其深度与性能的关系,通过反复堆叠3*3的卷积层和2*2的max pooling层,构建了16~19层深的卷积神经网络,相比之前的state-of-the-art错误率下降明显,且拓展性很强,迁移到其他图像数据集的泛化性很好,经常用来提出图像特征。如图1所示为VGGNet的结构,从A到E每层网络逐渐加深,前面卷积部分虽然深,但是参数量少,不过计算量大,运行时间长,其中存在的1*1的卷积层的意义在于线性变换,输入通道数和输出通道数不变,没有发生降维。VGGNet拥有5段卷积,每段有2~3个卷积层,同时每段会连接一个最大池化层来缩小图片尺寸,每段内的卷积核数量不一样,越靠后卷积数量越多:64->128->256->512->512。两个3*3的卷积层串联相当于一个5*5的卷积层,三个3*3的卷积层串联相当于一个7*7的,但是减少了参数量,增加了非线性变换,使得CNN的学习能力更强。
图1 VGGNet的ABCDE结构
VGGNet训练的时候有一些技巧,先训练前面浅层A,作为后面深层BCDE网络的初始化参数,收敛更快。在训练中,应用了multi-sale做图像增强,增加数据量,减防止过拟合。在预测时,VGGNet采用multi-sale的方法将图像scale到一个尺寸q,并将图片输入卷积网络计算。
作者对比各级网络总结出:
①LRN层作用不大
②越深的网络效果越好
③1*1的卷积也是有效的,但是没有3*3的卷积好,大一些的卷积核可以学习更大的空间特征。
2.VGGNet网络tensorflow实现
啦啦啦~后续待进啦啦啦~
- 浅述经典的4种卷积网络之(2)VGGNet
- 经典的卷积网络结构:AlexNet,VGGNet,Google Inception Net,ResNet(HR)
- 经典卷积神经网络的学习(二)—— VGGNet
- 深度学习经典卷积神经网络之VGGNet
- 浅述经典的4种卷积网络之(4)ResNet
- 浅述经典的4种卷积网络之(1)AlexNet
- 浅述经典的4种卷积网络之(3)Google Inception Net
- TensorFlow实战:Chapter-4(CNN-2-经典卷积神经网络(AlexNet、VGGNet))
- 经典CNN之:VGGNet
- 经典的神经网络-VGGNet
- TensorFlow实现经典深度学习网络(2):TensorFlow实现VGGNet
- 经典的几个卷积神经网络(基本网络)
- 神经网络之VGGNet模型的实现(Python+TensorFlow)
- 6经典卷积神经网络模型之AlexNet-6.1用于ImageNet的AlexNet网络计算图设计
- 四大经典卷积网络介绍
- VGGNet网络模型
- 6经典卷积神经网络模型之AlexNet-6.2用于ImageNet的AlexNet网络的假数据训练
- 卷积的物理意义(经典)
- swift中的!和?作用
- 什么样的Web开发框架才是好的前端框架
- 剑指offer——59.按之字形顺序打印二叉树
- sockaddr和sockaddr_in的区别
- Liquibase 筆記
- 浅述经典的4种卷积网络之(2)VGGNet
- linux文件合并、去重、拆分
- Linux学习掌握(一):基础的linux命令
- 557. Reverse Words in a String III 难度:简单
- bean with name 'mappingJacksonHttpMessageConverter' defined in class解决办法
- PostgreSQL for Windows安装
- 两个数换位运算(不用第三变量)--异或
- addrinfo结构体与getaddrinfo函数
- Github