VGG(
  (features): Sequential(
    (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (1): ReLU(inplace=True)
    (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (3): ReLU(inplace=True)
    (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (6): ReLU(inplace=True)
    (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (8): ReLU(inplace=True)
    (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (11): ReLU(inplace=True)
    (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (13): ReLU(inplace=True)
    (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (15): ReLU(inplace=True)
    (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (18): ReLU(inplace=True)
    (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (20): ReLU(inplace=True)
    (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (22): ReLU(inplace=True)
    (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
    (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (25): ReLU(inplace=True)
    (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (27): ReLU(inplace=True)
    (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1))
    (29): ReLU(inplace=True)
    (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False)
  )
  (avgpool): AdaptiveAvgPool2d(output_size=(7, 7))
  (classifier): Sequential(
    (0): Linear(in_features=25088, out_features=4096, bias=True)
    (1): ReLU(inplace=True)
    (2): Dropout(p=0.5, inplace=False)
    (3): Linear(in_features=4096, out_features=4096, bias=True)
    (4): ReLU(inplace=True)
    (5): Dropout(p=0.5, inplace=False)
    (6): Linear(in_features=4096, out_features=1000, bias=True)
    (add_linear): Linear(in_features=1000, out_features=10, bias=True)
  )
)

1、特征層（Features）：

順序層（Sequential），其中包含一系列的卷積層、激活函數(shù)和最大池化層。
網(wǎng)絡的輸入是一個3通道（RGB）圖像。
第一個卷積層（Conv2d）具有64個濾波器，卷積核大小為3x3，步長為1x1，填充為1x1。
使用的激活函數(shù)是ReLU（修正線性單元）。
這種卷積層后跟ReLU激活的模式被重復多次。
每兩個卷積層之后，應用一個最大池化層（MaxPool2d），池化核大小為2x2，步長為2x2。
隨著網(wǎng)絡加深，濾波器的數(shù)量逐漸增加：64、128、256和512。

2、平均池化層（Avgpool）：
AdaptiveAvgPool2d層執(zhí)行自適應平均池化。
它將輸入張量調(diào)整為固定大小的7x7，同時保持其空間維度。
3、分類器層（Classifier）：
順序層，包含一系列全連接層（Linear）、激活函數(shù)（ReLU）和Dropout層。
輸入特征的形狀是25088，該值來自前面層的輸出。
第一個全連接層將輸入特征映射到4096維。
然后是ReLU激活和Dropout層，用于增強模型的泛化能力和減少過擬合。
第二個全連接層將輸入映射到4096維。
再次應用ReLU激活和Dropout層。
最后一個全連接層將輸入映射到1000維，對應于VGG模型最初設計用于ImageNet數(shù)據(jù)集上的1000個類別。
在模型的末尾，添加了一個額外的線性層（Linear），將1000維的輸出映射到10維，用于解決一個10類別的特定任務。文章來源地址http://www.zghlxwxcb.cn/news/detail-469988.html

到了這里，關于VGG神經(jīng)網(wǎng)絡模型的架構的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網(wǎng)！