本文主要是介绍深度学习-Pytorch实现经典VGGNet网络，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
深度学习-Pytorch实现经典VGGNet网络
深度学习中，经典网络引领一波又一波的技术革命，从LetNet到当前最火的GPT所用的Transformer，它们把AI技术不断推向高潮。2012年AlexNet大放异彩，它把深度学习技术引领第一个高峰，打开人们的视野。
用pytorch构建CNN经典网络模型VGGNet，还可以用数据进行训练模型，得到一个优化的模型。
深度学习算法
深度学习-回顾经典AlexNet网络：山高我为峰-CSDN博客
深度学习-CNN网络改进版LetNet5-CSDN博客
深度学习-回顾CNN经典网络LetNet-CSDN博客
GPT实战系列-如何用自己数据微调ChatGLM2模型训练_pytorch 训练chatglm2 模型-CSDN博客
VGGNet概述
2014年，牛津大学计算机视觉组（Visual Geometry Group）和DeepMind公司一起研发了新的卷积神经网络，并命名为VGGNet。VGGNet是比AlexNet更深的深度卷积神经网络，该模型获得了2014年ILSVRC竞赛的第二名。
网络结构
VGG 的结构与 AlexNet 类似，区别是深度更深，但形式上更加简单。VGG由5层卷积层、3层全连接层、1层softmax输出层构成，层与层之间使用maxpool（最大化池）分开，所有隐藏层的激活单元都采用ReLU函数。
事实上，作者设计了6种网络结构，以下以常用的VGG16 D为例。
输入图像3通道分辨率：224x224x3
结构：
9层：图像输入后，5个卷积层，3个全连接层，1个输出层；
（1）C1：3x3 —>64个conv 3x3 --> ReLU–>64个conv 3x3–> ReLU --> 输出64个224×224特征图–> MaxPool 2x2 --> 输出 64个112x112；
（2）C2：3x3 —>128个conv 3x3 --> ReLU–>128个conv 3x3–> ReLU --> 输出128个112×112特征图–> MaxPool 2x2 --> 输出 128个56x56；
（3）C3：3x3 —>256个conv 3x3 --> ReLU–>256个conv 3x3–> ReLU --> 256个conv 3x3–> ReLU -->输出256个56×56特征图–> MaxPool 2x2 --> 输出 256个28x28；
（4）C4：3x3 —>512个conv 3x3 --> ReLU–>512个conv 3x3–> ReLU --> 512个conv 3x3–> ReLU -->输出512个28×28特征图–> MaxPool 2x2 --> 输出 512个14x14；
（5）C5：3x3 —>512个conv 3x3 --> ReLU–>512个conv 3x3–> ReLU --> 512个conv 3x3–> ReLU -->输出512个14×14特征图–> MaxPool 2x2 --> 输出 512个7x7；
（6）FC6 ---->7x7x512 展平77512一维向量–>输出4096个1x1–> ReLU --> Dropout；
（7）FC7 ----> 输入1x1x4096，输出1x1x4096–> ReLU --> Dropout
（8）FC8 ----> 输入1x1x4096，输出1x1x1000
（9）输出层—> 输入1x1x1000–>softmax -->输出 1000分类
整个VGGNet 16 D网络包含的参数数量为 138M个参数。
优势与不足
优势：采用小卷积核conv 3x3，增加卷积子层，网络深度从11层到19层，Maxpool 核缩小为2x2，特征通道更宽，全连接卷积，图像尺寸扩大224x224x3。
Pytorch实现
以下便是使用Pytorch实现的经典网络结构VGGNet16
class VGGNet16(nn.Module):def __init__(self, num_classes, grayscale=False): """num_classes: 分类的数量grayscale：是否为灰度图"""super(VGGNet, self).__init__()self.grayscale = grayscaleself.num_classes = num_classesif self.grayscale: # 可以适用单通道和三通道的图像in_channels = 1else:in_channels = 3# 卷积神经网络C1 = nn.Sequential(nn.Conv2d(3, 64, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2))C2 = nn.Sequential(nn.Conv2d(64, 128, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.Conv2d(128, 128, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2))C3 = nn.Sequential(nn.Conv2d(128, 256, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.Conv2d(256, 256, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2))C4 = nn.Sequential(nn.Conv2d(256, 512, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2))C5 = nn.Sequential(nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.Conv2d(512, 512, kernel_size=3, stride=1, padding=1),nn.ReLU(),nn.MaxPool2d(kernel_size=2, stride=2))self.features = nn.Sequential(C1,C2,C3,C4,C5)# 分类器self.classifier = nn.Sequential(nn.Linear(7*7*512, 4096),nn.ReLU(),nn.Dropout(),nn.Linear(4096*1*1, 4096),nn.ReLU()nn.Dropout()nn.Linear(4096, 1000))def forward(self, x):x = self.features(x) # 输出 特征图x = torch.flatten(x, 1) # 展平 logits = self.classifier(x) # 输出 probas = F.softmax(logits, dim=1)return logits, probas
大家可以和前面的对照差异，也可以一窥DeepLearning技术的突破点。
在VGGNet 是一大创举，DeepMind团队更闻名的是在围棋开创一片天地，AlphaGo风靡一时，把人工智能推向又一个高潮，CNN网络引领的深度学习蓬勃发展，造就人工智能技术革命的起点。
觉得有用 收藏 收藏 收藏
点个赞 点个赞 点个赞
End
深度学习
Caffe笔记：python图像识别与分类_python 怎么识别 caffe-CSDN博客
深度学习-Pytorch同时使用Numpy和Tensors各自特效-CSDN博客
深度学习-Pytorch运算的基本数据类型_pytorch支持的训练数据类型-CSDN博客
深度学习-Pytorch如何保存和加载模型
深度学习-Pytorch如何构建和训练模型-CSDN博客
深度学习-Pytorch数据集构造和分批加载-CSDN博客
Python Faster R-CNN 安装配置记录_attributeerror: has no attribute 'smooth_l1_loss-CSDN博客
经典算法-遗传算法的python实现
经典算法-模拟退火算法的python实现
经典算法-粒子群算法的python实现-CSDN博客
GPT专栏文章：
GPT实战系列-ChatGLM3本地部署CUDA11+1080Ti+显卡24G实战方案
GPT实战系列-LangChain + ChatGLM3构建天气查询助手
大模型查询工具助手之股票免费查询接口
GPT实战系列-简单聊聊LangChain
GPT实战系列-大模型为我所用之借用ChatGLM3构建查询助手
GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(二)
GPT实战系列-P-Tuning本地化训练ChatGLM2等LLM模型，到底做了什么？(一)
GPT实战系列-ChatGLM2模型的微调训练参数解读
GPT实战系列-如何用自己数据微调ChatGLM2模型训练
GPT实战系列-ChatGLM2部署Ubuntu+Cuda11+显存24G实战方案
GPT实战系列-Baichuan2本地化部署实战方案
GPT实战系列-Baichuan2等大模型的计算精度与量化
GPT实战系列-GPT训练的Pretraining，SFT，Reward Modeling，RLHF
GPT实战系列-探究GPT等大模型的文本生成-CSDN博客
这篇关于深度学习-Pytorch实现经典VGGNet网络的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
