參考論文：Very Deep Convolutional Networks for Large-Scale Image Recognition
結(jié)構(gòu)組成
論文中提供的6種網(wǎng)絡(luò)配置：
整個(gè)網(wǎng)絡(luò)有5個(gè)vgg-block塊和5個(gè)maxpool層逐個(gè)相連，然后進(jìn)入FC層，直到最后1000個(gè)softmax輸出。多種VGG網(wǎng)絡(luò)設(shè)計(jì)都很統(tǒng)一，都有相同的224×224×3的input層+5個(gè)maxpool層+3層fc全連接層，區(qū)別在于中間的Vgg-block塊的設(shè)計(jì)不同。
以上圖D列的vgg16為例：
input：
224×224×3 三通道（RGB）的圖像；
vgg-block：
輸入224×224×3，經(jīng)過(guò)64個(gè)filter（kernelsize=(3,3,3)），stride = 1，padding=same后，得224×224×64；
Max-pooling：
輸入224×224×64，經(jīng)過(guò)pool size=2，stride=2后，得112×112×64；
vgg-block：
輸入112×112×64，經(jīng)128個(gè)filter（kernelsize=(3,3,64)），得到112×112×128；
Max-pooling：
輸入112×112×128，經(jīng)pool size = 2,stride = 2后，得56×56×128；
vgg-block
輸入56×56×128，經(jīng)過(guò)256個(gè)filter（kernelsize=(3,3,128)）后，得56×56×256；
Max-pooling
輸入56×56×256，經(jīng)pool size = 2,stride = 2后，得28×28×256；
vgg-block：
輸入28×28×256，經(jīng)過(guò)512個(gè)filter（kernelsize=(3,3,256)）后，得28×28×512；
Max-pooling
輸入28×28×512，經(jīng)pool size = 2,stride = 2后，得14×14×512；
vgg-block：
輸入14×14×256，經(jīng)過(guò)512個(gè)filter（kernelsize=(3,3,512)）后，得14×14×512；
Max-pooling
輸入14×14×512，經(jīng)pool size = 2,stride = 2后，得7×7×512，展平（Flattern）得25088個(gè)參數(shù)；
Dense
輸入（25088，），經(jīng)過(guò)4096個(gè)神經(jīng)元，得（4096，）；
Dense
輸入（4096，），經(jīng)過(guò)4096個(gè)神經(jīng)元，得（4096，）；文章來(lái)源：http://www.zghlxwxcb.cn/news/detail-470059.html
Dense
輸入（4096，），經(jīng)過(guò)1000個(gè)神經(jīng)元，得（1000，）。文章來(lái)源地址http://www.zghlxwxcb.cn/news/detail-470059.html
其中前兩層全連接層在使用relu后還使用了Dropout（rate=0.5）對(duì)神經(jīng)元隨機(jī)失活，最后一層全連接層用softmax輸出1000個(gè)分類(lèi)。
特點(diǎn)
論文提出，通過(guò)堆疊2個(gè) 3*3 的卷積核來(lái)代替 5*5 的卷積核；堆疊3個(gè) 3*3 的卷積核來(lái)代替 7*7 的卷積核。雖然用了小的卷積核來(lái)替換大的卷積核，但并不會(huì)影響感受野，即感受野是相同的，但減少了參數(shù)。
到了這里，關(guān)于VGG網(wǎng)絡(luò)結(jié)構(gòu)詳解的文章就介紹完了。如果您還想了解更多內(nèi)容，請(qǐng)?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
