VGG16網(wǎng)絡(luò)結(jié)構(gòu)是:

_________________________________________________________________
Layer?(type)?????????????????Output?Shape??????????????Param?#???
=================================================================
input_1?(InputLayer)?????????(None,?150,?150,?3)???????0?????????
_________________________________________________________________
block1_conv1?(Conv2D)????????(None,?150,?150,?64)??????1792??????
_________________________________________________________________
block1_conv2?(Conv2D)????????(None,?150,?150,?64)??????36928?????
_________________________________________________________________
block1_pool?(MaxPooling2D)???(None,?75,?75,?64)????????0?????????
_________________________________________________________________
block2_conv1?(Conv2D)????????(None,?75,?75,?128)???????73856?????
_________________________________________________________________
block2_conv2?(Conv2D)????????(None,?75,?75,?128)???????147584????
_________________________________________________________________
block2_pool?(MaxPooling2D)???(None,?37,?37,?128)???????0?????????
_________________________________________________________________
block3_conv1?(Conv2D)????????(None,?37,?37,?256)???????295168????
_________________________________________________________________
block3_conv2?(Conv2D)????????(None,?37,?37,?256)???????590080????
_________________________________________________________________
block3_conv3?(Conv2D)????????(None,?37,?37,?256)???????590080????
_________________________________________________________________
block3_pool?(MaxPooling2D)???(None,?18,?18,?256)???????0?????????
_________________________________________________________________
block4_conv1?(Conv2D)????????(None,?18,?18,?512)???????1180160???
_________________________________________________________________
block4_conv2?(Conv2D)????????(None,?18,?18,?512)???????2359808???
_________________________________________________________________
block4_conv3?(Conv2D)????????(None,?18,?18,?512)???????2359808???
_________________________________________________________________
block4_pool?(MaxPooling2D)???(None,?9,?9,?512)?????????0?????????
_________________________________________________________________
block5_conv1?(Conv2D)????????(None,?9,?9,?512)?????????2359808???
_________________________________________________________________
block5_conv2?(Conv2D)????????(None,?9,?9,?512)?????????2359808???
_________________________________________________________________
block5_conv3?(Conv2D)????????(None,?9,?9,?512)?????????2359808???
_________________________________________________________________
block5_pool?(MaxPooling2D)???(None,?4,?4,?512)?????????0?????????
=================================================================

?

下面是轉(zhuǎn)載的內(nèi)容：

先說(shuō)一下我對(duì)神經(jīng)網(wǎng)絡(luò)的理解：神經(jīng)網(wǎng)絡(luò)就是用巨量的簡(jiǎn)單的非線性函數(shù)組合起來(lái)擬合復(fù)雜的未知函數(shù)。比如，人類識(shí)別不同的物體、識(shí)別不同動(dòng)物、不同植物是個(gè)復(fù)雜的未知函數(shù)。雖然未知，但沒(méi)事，我們的神經(jīng)網(wǎng)絡(luò)可以用巨量的簡(jiǎn)單非線性函數(shù)組合來(lái)擬合出來(lái)。而且實(shí)踐證明在很多場(chǎng)景下效果非常好。而如何確定這些巨量的簡(jiǎn)單非線性函數(shù)的大量參數(shù)呢？通過(guò)機(jī)器學(xué)習(xí)，機(jī)器訓(xùn)練。

著名的卷積神經(jīng)網(wǎng)絡(luò)VGG16，論文上寫參數(shù)有1.3億個(gè)，查了很多文章，很多都是錯(cuò)的，有些對(duì)的，但是沒(méi)有解釋為什么這樣算，意義是啥。

最近發(fā)現(xiàn)難以理解的原因是對(duì)卷積的誤解。網(wǎng)上幾乎所有講卷積網(wǎng)絡(luò)的文章，演示卷積的時(shí)候都是一個(gè)n×n的表。其實(shí)神經(jīng)網(wǎng)絡(luò)里的卷積核是立體的三維卷積核，而卷積過(guò)程也是3維卷積。

雖然vgg輸入是一個(gè)224×224的圖片，但是考慮到圖片的色彩，那么輸入就是一個(gè)224×224×3的3維矩陣。所以卷積核也是三維的才匹配。考慮到每一層有多個(gè)卷積核，那就是再加一維，所以每一層其實(shí)一個(gè)4維矩陣來(lái)運(yùn)算處理輸入的3維矩陣。

下面計(jì)算vgg16的參數(shù)：

計(jì)算里：乘法里前面3個(gè)數(shù)字是三維的卷積核的尺寸，乘法項(xiàng)最后一個(gè)數(shù)字是這一層的卷積核數(shù)量，加法項(xiàng)是偏置參數(shù)數(shù)量

第1層：1792 =3*3*3*64+64；

第1層： 1792 =3*3*3*64+64；前面的3*3*3是三維的卷積核，64是這一層的卷積核數(shù)量，最后的是偏置參數(shù)數(shù)量

第2層： 36928? ? =3*3*64*64+64

第3層： 73856? ? =3*3*64*128+128

第4層： 147584? =3*3*128*128+128

第5層： 295168? =3*3*128*256+256

第6層： 590080? =3*3*256*256+256

第7層： 590080? =3*3*256*256+256

第8層： 1180160? =3*3*256*512+512

第9層： 2359808? =3*3*512*512+512

第10層：2359808? =3*3*512*512+512

第11層：2359808? =3*3*512*512+512

第12層：2359808? =3*3*512*512+512

第13層：2359808? =3*3*512*512+512

第14層：102764544=7*7*512*4096+4096

第15層：16781312 =4096*4096+4096

第16層：4097000? =4096*1000+1000

總計(jì)：138357544個(gè)

?

總結(jié)

以上是生活随笔為你收集整理的卷积神经网络VGG16权重数量的计算和理解(转载)的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。