经过开发建设 网站上线了,net域名 著名网站,企业建站电话多少,企业端app下载本文重点
在前面的课程中#xff0c;我们已经学习了VGG网络模型#xff0c;也学习了AlexNet网络模型#xff0c;AlexNet模型先于VGG网络模型产生#xff0c;所以VGG在一定程度上要优于AlexNet模型#xff0c;二者来看一下#xff0c;二者究竟有什么不同#xff1f; 深度…本文重点
在前面的课程中我们已经学习了VGG网络模型也学习了AlexNet网络模型AlexNet模型先于VGG网络模型产生所以VGG在一定程度上要优于AlexNet模型二者来看一下二者究竟有什么不同 深度
AlexNet是一个8层的卷积神经网络而VGG16是它的两倍众所周知神经网络的深度越大往往学习能力越强所以VGG的性能相对于AlexNet有了一个明显的提升。
卷积核
VGG相对于AlexNet模型VGG只使用了3*3的卷积核这带来了参数量的极大减少我们来比较一下。
AlexNet的第一个卷积层输出维度96维而卷积核大小为11*11那么参数量为96*3*11
VGG的参数量为64*3*3*3 96*3*11/64*3*3*320 也就是说二者相差20倍那么计算量就相差了20倍这就是的VGG虽然深度比AlexNet大但是参数量却没有增加的很夸装整个模型只有550M而8层的AlexNet达到了240M。
池化
VGG中池化的核大小为2*2然后步长为2。而AlexNet中采用了重叠池化方案核大小为3*3步长为2。这样不重叠的池化的计算量会少一些。但是重叠的池化能够有效的降低过拟合问题。
数据增强
VGG使用了更多的数据增强的方式即Scale Jittering。先固定一种裁剪尺寸m*m比如224*224然后把图片的最短边缩放到一个大于m的值长边也相应的变化最后裁剪出一张m*m的图片。
这种方法比直接将图片缩放到224*224来说存在更大的操作空间当然有可能剪掉图片的重要区域但是在大数据下这种影响可以忽略不计。
