| CNN系列学习之VGG16 | 您所在的位置：网站首页 › vgg16是一个cnn模型吗 › CNN系列学习之VGG16 |
CNN系列学习之VGG16
|
前言： CNN系列总结自己学习主流模型的笔记，从手写体的LeNet-5到VGG16再到历年的ImageNet大赛的冠军ResNet50,Inception V3,DenseNet等。重点总结每个网络的设计思想（为了解决什么问题），改进点（是怎么解决这些问题的），并使用keras的两种定义模型的方式Sequential()和Functional式模型实现一遍（加深对模型理解的同时熟悉keras的使用）。 一、VGG16的设计思想DenseNet论文中有介绍VGG网络遵循以下两个规则： 1）特征图尺寸相同的网络层，这些层产生特征图的通道数也相同。VGG中每个block的特征图尺寸相同，所以每个block中每层的卷积核个数相同 2）如果特征图尺寸减半，则增加一倍的通道数来保证每层的复杂度相同。也就是每下采样一次则卷积核的个数增加一倍。 结构如下图：
VGG网络的具体配置： 输入图像尺寸224x224x3卷积核（滤波器）大小3x3，步长为1，卷积的padding为2（3-1），左右各padding1个像素来确保卷积后特征图大小不变 池化层大小2x2，步长为2有两个全连接层，每层4096个神经元（想起来面试的一个问题，为什么CNN后接的全连接层大多是2层，而不是1层，3层？理论上2层的神经网络可以拟合任意函数，1层只能拟合线性函数，多加一层3层参数量会大大提升，会增强4096**2+4096个参数，综合考虑模型性能和参数量，所以一般设置为2层全连接）最后输出层包含1000个神经元的softmax层（代表imagenet数据集的1000个类别）激活函数全部使用ReLU 二、VGG16使用Keras的两种实现方式1、Sequential()序列式模型实现 -*- coding -*- ''' created on 2019-7-31 19:35:50 @author:fangsh ''' #%% import keras from keras.models import Sequential from keras.layers import Conv2D,MaxPool2D,Dense,Flatten from keras.applications import vgg16 ''' 序列式模型第一层一定要记得定义input_shape 1、 ''' model = Sequential() #block1 model.add(Conv2D(filters=64,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block1_conv1',input_shape=(224,224,3)))#input_shape只需写图像的shape。不需要加batch的N model.add(Conv2D(filters=64,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block1_conv2')) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2),name='block1_pool')) #block2 model.add(Conv2D(filters=128,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block2_conv1')) model.add(Conv2D(filters=128,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block2_conv2')) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2),name='block2_pool')) #block3 model.add(Conv2D(filters=256,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block3_conv1')) model.add(Conv2D(filters=256,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block3_conv2')) model.add(Conv2D(filters=256,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block3_conv3')) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2),name='block3/pool')) #block4 model.add(Conv2D(filters=512,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block4_conv1')) model.add(Conv2D(filters=512,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block4_conv2')) model.add(Conv2D(filters=512,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block4_conv3')) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2),name='block4/pool')) #block5 model.add(Conv2D(filters=512,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block5_conv1')) model.add(Conv2D(filters=512,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block5_conv2')) model.add(Conv2D(filters=512,kernel_size=(3,3),strides=(1,1),padding='same',activation='relu',name='block5_conv3')) model.add(MaxPool2D(pool_size=(2,2),strides=(2,2),name='block5/pool')) #fully model.add(Flatten()) model.add(Dense(units=4096,activation='relu',name='fc1')) model.add(Dense(units=4096,activation='relu',name='fc2')) model.add(Dense(units=1000,activation='softmax',name='prediction')) model.summary() #%% #读取imageNet的预训练模型参数，来验证定义的是否正确 modelPath = '/data/sfang/vgg16_weights_tf_dim_ordering_tf_kernels.h5' model.load_weights(modelPath)2、Functional函数式模型实现 ''' Keras函数式模型使用 1、支持定义多输出，多输入模型/Sequential()模型只能定义单个输入单个输出模型 2、像连接火车一样 Functional Model三步走： 1、定义输入层 2、由输出层开始连接其他网络层，上一次的输出是下一次的输入（正常情况下）。 3、指定输入tensor和输出tensor定义一个函数式模型 ''' import keras from keras.models import Model from keras.layers import Dense,Conv2D,MaxPool2D,Flatten,Input #1、定义输入层 imgInput = Input(shape=(224,224,3),name='input') #2、依次连接其他层，上一次输出作为下一次输入 #block1 x = Conv2D(filters=64,kernel_size=(3,3),padding='same',activation='relu',name='block1_conv1')(imgInput) x = Conv2D(filters=64,kernel_size=(3,3),padding='same',activation='relu',name='block1_conv2')(x) x = MaxPool2D(pool_size=(2,2),strides=(2,2),name='block1_pool')(x) #block2 x = Conv2D(filters=128,kernel_size=(3,3),padding='same',activation='relu',name='block2_conv1')(x) x = Conv2D(filters=128,kernel_size=(3,3),padding='same',activation='relu',name='block2_conv2')(x) x = MaxPool2D(pool_size=(2,2),strides=(2,2),name='block2_pool')(x) #block3 x = Conv2D(filters=256,kernel_size=(3,3),padding='same',activation='relu',name='block3_conv1')(x) x = Conv2D(filters=256,kernel_size=(3,3),padding='same',activation='relu',name='block3_conv2')(x) x = Conv2D(filters=256,kernel_size=(3,3),padding='same',activation='relu',name='block3_conv3')(x) x = MaxPool2D(pool_size=(2,2),strides=(2,2),name='block3_pool')(x) #block4 x = Conv2D(filters=512,kernel_size=(3,3),padding='same',activation='relu',name='block4_conv1')(x) x = Conv2D(filters=512,kernel_size=(3,3),padding='same',activation='relu',name='block4_conv2')(x) x = Conv2D(filters=512,kernel_size=(3,3),padding='same',activation='relu',name='block4_conv3')(x) x = MaxPool2D(pool_size=(2,2),strides=(2,2),name='block4_pool')(x) #block5 x = Conv2D(filters=512,kernel_size=(3,3),padding='same',activation='relu',name='block5_conv1')(x) x = Conv2D(filters=512,kernel_size=(3,3),padding='same',activation='relu',name='block5_conv2')(x) x = Conv2D(filters=512,kernel_size=(3,3),padding='same',activation='relu',name='block5_conv3')(x) x = MaxPool2D(pool_size=(2,2),strides=(2,2),name='block5_pool')(x) #fully conv x = Flatten()(x) x = Dense(units=4096,activation='relu',name='fc1')(x) x = Dense(units=4096,activation='relu',name='fc2')(x) pred = Dense(units=1000,activation='relu',name='prediction') functionalModel = Model(inputs=imgInput,outputs=pred) functionalModel.summary() #%% #读取imageNet的预训练模型参数，来验证定义的是否正确 modelPath = '/data/sfang/vgg16_weights_tf_dim_ordering_tf_kernels.h5' model.load_weights(modelPath)
|
【本文地址】
公司简介
联系我们