【VGG】介绍

偏执的太偏执、 2022-03-07 00:56 254阅读 0赞

# VGG #

VGG-16和VGG-19取名源自作者所处研究组名(Visual Geometry Group)，后面的16 19代表了网络的深度。

**VGG-16/VGG-19 **138M参数，ILSVRC 2014的亚军网络。

# VGG-16结构的基本框架 #

conv1^2 (64) -> pool1 -> conv2^2 (128) -> pool2 -> conv3^3 (256) -> pool3 -> conv4^3 (512) -> pool4 -> conv5^3 (512) -> pool5 -> fc6 (4096) -> fc7 (4096) -> fc8 (1000) -> softmax。 ^3代表重复3次。

网络输入的224×224的图像。

![SouthEast][]

VGG网络的特点

(1). **结构简单**，作者将卷积核全部替换为3×3（极少用了1×1）；相比于AlexNet 的池化核，VGG全部使用2×2的池化核。

(2). **参数量大**，而且大部分的参数集中在全连接层中。网络名称中有16表示它有16层conv/fc层。

(3). 合适的网络**初始化**和使用批量归一(batch normalization)层对训练深层网络很重要。

(4). VGG-19结构类似于VGG-16，有略好于VGG-16的性能，但VGG-19需要消耗更大的资源，因此实际中VGG-16使用得更多。由于VGG-16网络结构十分简单，并且很适合迁移学习，因此至今VGG-16仍在广泛使用。

def VGG16(images, _dropout, n_cls):
        """
        此处权重初始化方式采用的是：
            卷积层使用预训练模型中的参数
            全连接层使用xavier类型初始化
        """
        conv1_1 = conv(images, 64, 'conv1_1', fineturn=True) #1
        conv1_2 = conv(conv1_1, 64, 'conv1_2', fineturn=True) #2
        pool1   = maxpool(conv1_2, 'pool1')
     
        conv2_1 = conv(pool1, 128, 'conv2_1', fineturn=True) #3
        conv2_2 = conv(conv2_1, 128, 'conv2_2', fineturn=True) #4
        pool2   = maxpool(conv2_2, 'pool2')
     
        conv3_1 = conv(pool2, 256, 'conv3_1', fineturn=True) #5
        conv3_2 = conv(conv3_1, 256, 'conv3_2', fineturn=True) #6
        conv3_3 = conv(conv3_2, 256, 'conv3_3', fineturn=True) #7
        pool3   = maxpool(conv3_3, 'pool3')
     
        conv4_1 = conv(pool3, 512, 'conv4_1', fineturn=True) #8
        conv4_2 = conv(conv4_1, 512, 'conv4_2', fineturn=True) #9
        conv4_3 = conv(conv4_2, 512, 'conv4_3', fineturn=True) #10
        pool4   = maxpool(conv4_3, 'pool4')
     
        conv5_1 = conv(pool4, 512, 'conv5_1', fineturn=True) #11
        conv5_2 = conv(conv5_1, 512, 'conv5_2', fineturn=True) #12
        conv5_3 = conv(conv5_2, 512, 'conv5_3', fineturn=True) #13
        pool5   = maxpool(conv5_3, 'pool5')
    
        #因为训练自己的数据，全连接层最好不要使用预训练参数
        flatten  = tf.reshape(pool5, [-1, 7*7*512])
        fc6      = fc(flatten, 4096, 'fc6', xavier=True) #14
        dropout1 = tf.nn.dropout(fc6, _dropout)
     
        fc7      = fc(dropout1, 4096, 'fc7', xavier=True) #15
        dropout2 = tf.nn.dropout(fc7, _dropout)
        
        fc8      = fc(dropout2, n_cls, 'fc8', xavier=True) #16
     
        return fc8

[SouthEast]: /images/20220307/a86b30d3cf134ba9899588201a889b9f.png