悬赏做logo的网站,wordpress 导航别名,ai生成图片在线制作,只做美食类目产品的网站使用块的网络 - VGG。 使用多个 3 3 3\times 3 33的要比使用少个 5 5 5\times 5 55的效果要好。 VGG全称是Visual Geometry Group#xff0c;因为是由Oxford的Visual Geometry Group提出的。AlexNet问世之后#xff0c;很多学者通过改进AlexNet的网络结构来提高自己的准确…使用块的网络 - VGG。 使用多个 3 × 3 3\times 3 3×3的要比使用少个 5 × 5 5\times 5 5×5的效果要好。 VGG全称是Visual Geometry Group因为是由Oxford的Visual Geometry Group提出的。AlexNet问世之后很多学者通过改进AlexNet的网络结构来提高自己的准确率主要有两个方向小卷积核和多尺度。而VGG的作者们则选择了另外一个方向即加深网络深度。 网络架构
卷积网络的输入是224 * 224的RGB图像整个网络的组成是非常格式化的基本上都用的是3 * 3的卷积核以及 2 * 2的max pooling少部分网络加入了1 * 1的卷积核。因为想要体现出“上下左右中”的概念3*3的卷积核已经是最小的尺寸了。
VGG16相比之前网络的改进是3个33卷积核来代替7x7卷积核2个33卷积核来代替5*5卷积核这样做的主要目的是在保证具有相同感知野的条件下减少参数提升了网络的深度。
多个VGG块后接全连接层。
不同次数的重复块得到不同的架构如VGG-16VGG-19等。
VGG更大更深的AlexNet。 总结 VGG使用可重复使用的卷积块来构建深度卷积神经网络不同的卷积块个数和超参数可以得到不同复杂度的变种 代码实现
使用数据集CIFAR
model.py
import torch
from torch import nnclass Vgg16(nn.Module):def __init__(self, *args, **kwargs) - None:super().__init__(*args, **kwargs)self.model nn.Sequential(nn.Conv2d(3,64,kernel_size3,padding1),nn.ReLU(),nn.Conv2d(64,64,kernel_size3,padding1),nn.ReLU(),nn.MaxPool2d(2,2),nn.Conv2d(64,128,kernel_size3,padding1),nn.ReLU(),nn.Conv2d(128,128,kernel_size3,padding1),nn.ReLU(),nn.MaxPool2d(2,2),nn.Conv2d(128,256,kernel_size3,padding1),nn.ReLU(),nn.Conv2d(256,256,kernel_size3,padding1),nn.ReLU(),nn.Conv2d(256,256,kernel_size3,padding1),nn.ReLU(),nn.MaxPool2d(2,2),nn.Conv2d(256,512,kernel_size3,padding1),nn.ReLU(),nn.Conv2d(512,512,kernel_size3,padding1),nn.ReLU(),nn.Conv2d(512,512,kernel_size3,padding1),nn.ReLU(),nn.MaxPool2d(2,2),nn.Conv2d(512, 512, kernel_size3, padding1),nn.ReLU(),nn.Conv2d(512, 512, kernel_size3, padding1),nn.ReLU(),nn.Conv2d(512, 512, kernel_size3, padding1),nn.ReLU(),nn.MaxPool2d(2,2),nn.Flatten(),nn.Linear(7*7*512,4096),nn.Dropout(0.5),nn.Linear(4096,4096),nn.Dropout(0.5),nn.Linear(4096,10))def forward(self,x):return self.model(x)# 验证模型正确性
if __name__ __main__:net Vgg16()x torch.ones((64,3,244,244))output net(x)print(output)train.py
import torch
from torch import nn
from torch.utils.data import DataLoader
from torch.utils.tensorboard import SummaryWriter
from torchvision import datasets
from torchvision.transforms import transforms
from model import Vgg16# 扫描数据次数
epochs 3
# 分组大小
batch 64
# 学习率
learning_rate 0.01
# 训练次数
train_step 0
# 测试次数
test_step 0# 定义图像转换
transform transforms.Compose([transforms.Resize(224),transforms.ToTensor()
])
# 读取数据
train_dataset datasets.CIFAR10(root./dataset,trainTrue,transformtransform,downloadTrue)
test_dataset datasets.CIFAR10(root./dataset,trainFalse,transformtransform,downloadTrue)
# 加载数据
train_dataloader DataLoader(train_dataset,batch_sizebatch,shuffleTrue,num_workers0)
test_dataloader DataLoader(test_dataset,batch_sizebatch,shuffleTrue,num_workers0)
# 数据大小
train_size len(train_dataset)
test_size len(test_dataset)
print(训练集大小{}.format(train_size))
print(验证集大小{}.format(test_size))# GPU
device torch.device(mps if torch.backends.mps.is_available() else cpu)
print(device)
# 创建网络
net Vgg16()
net net.to(device)
# 定义损失函数
loss nn.CrossEntropyLoss()
loss loss.to(device)
# 定义优化器
optimizer torch.optim.SGD(net.parameters(),lrlearning_rate)writer SummaryWriter(logs)
# 训练
for epoch in range(epochs):print(-------------------第 {} 轮训练开始-------------------.format(epoch))net.train()for data in train_dataloader:train_step train_step 1images,targets dataimages images.to(device)targets targets.to(device)outputs net(images)loss_out loss(outputs,targets)optimizer.zero_grad()loss_out.backward()optimizer.step()if train_step%1000:writer.add_scalar(Train Loss,scalar_valueloss_out.item(),global_steptrain_step)print(训练次数{}Loss{}.format(train_step,loss_out.item()))# 测试net.eval()total_loss 0total_accuracy 0with torch.no_grad():for data in test_dataloader:test_step test_step 1images, targets dataimages images.to(device)targets targets.to(device)outputs net(images)loss_out loss(outputs, targets)total_loss total_loss loss_outaccuracy (targets torch.argmax(outputs,dim1)).sum()total_accuracy total_accuracy accuracy# 计算精确率print(total_accuracy)accuracy_rate total_accuracy / test_sizeprint(第 {} 轮验证集总损失为{}.format(epoch1,total_loss))print(第 {} 轮精确率为{}.format(epoch1,accuracy_rate))writer.add_scalar(Test Total Loss,scalar_valuetotal_loss,global_stepepoch1)writer.add_scalar(Accuracy Rate,scalar_valueaccuracy_rate,global_stepepoch1)torch.save(net,./model/net_{}.pth.format(epoch1))print(模型net_{}.pth已保存.format(epoch1))
