DL之VGGNet：VGGNet算法的簡介(論文介紹)、架構(gòu)詳解、案例應(yīng)用等配圖集合之詳細(xì)攻略

?

?

目錄

VGG系列神經(jīng)網(wǎng)絡(luò)算法簡介

1、網(wǎng)絡(luò)架構(gòu)?

2、實驗結(jié)果

VGG系列神經(jīng)網(wǎng)絡(luò)的架構(gòu)詳解

VGG系列集合以及對比

VGG16練習(xí)攻略二

1、VGG16實踐經(jīng)驗

VGG19

1、關(guān)于imagenet-vgg-verydeep-19.mat模型簡介

---

?

?

?

?

?

?

?

相關(guān)文章
DL之VGGNet：VGGNet算法的簡介(論文介紹)、架構(gòu)詳解、案例應(yīng)用等配圖集合之詳細(xì)攻
DL之VGGNet：VGGNet算法的架構(gòu)詳解、損失函數(shù)、網(wǎng)絡(luò)訓(xùn)練和測試之詳細(xì)攻略

VGG系列神經(jīng)網(wǎng)絡(luò)算法簡介

? ? ? ? ?VGGNet 是2014 年ILSVRC競賽分類任務(wù)的第二名（第一名是GoogLeNet）和定位任務(wù)的第一名，來自牛津大學(xué)VGG group 。

Abstract ?
In this work we investigate the effect of the convolutional network depth on its ?accuracy in the large-scale image recognition setting. Our main contribution is a ?thorough evaluation of networks of increasing depth, which shows that a significant ?improvement on the prior-art configurations can be achieved by pushing the ?depth to 16–19 weight layers. These findings were the basis of our ImageNet ?Challenge 2014 submission, where our team secured the first and the second ?places in the localisation and classification tracks respectively.
摘要
本文研究了卷積網(wǎng)絡(luò)深度對大規(guī)模圖像識別中卷積網(wǎng)絡(luò)精度的影響。我們的主要貢獻(xiàn)是對深度增加的網(wǎng)絡(luò)進(jìn)行徹底評估，這表明，通過將深度推至16-19重量層，可以顯著改善現(xiàn)有技術(shù)配置。這些發(fā)現(xiàn)是我們提交的ImageNet挑戰(zhàn)賽2014的基礎(chǔ)，我們的團(tuán)隊在localisation和classification tracks中分別獲得第一和第二名。
Conclusion ?
In this work we evaluated very deep convolutional networks (up to 19 weight layers) for largescale ?image classification. It was demonstrated that the representation depth is beneficial for the ?classification accuracy, and that the state-of-the-art performance on the ImageNet challenge dataset ?can be achieved using a conventional ConvNet architecture [10, 11] with substantially increased ?depth. Namely, our object localisation system won the ILSVRC-2014 localisation challenge, while ?our classification system took the second place in the classification challenge. Our results yet again ?confirm the importance of depth in visual representations.
結(jié)論
在這項工作中，我們評估了非常深的卷積網(wǎng)絡(luò)（高達(dá)19個權(quán)重層）的大規(guī)模圖像分類。結(jié)果表明，表示深度有利于分類的準(zhǔn)確性，并且可以使用傳統(tǒng)的ConvNet結(jié)構(gòu)[10,11]在深度上顯著增加，從而在ImageNet挑戰(zhàn)賽數(shù)據(jù)集上實現(xiàn)最先進(jìn)的性能。也就是說，我們的目標(biāo)定位系統(tǒng)贏得了ILSVRC-2014定位挑戰(zhàn)，而我們的分類系統(tǒng)在分類挑戰(zhàn)中排名第二。我們的結(jié)果再次證實了深度在視覺表現(xiàn)中的重要性。

論文：Karen Simonyan and Andrew Zisserman（2014）: Very Deep Convolutional Networks for Large-Scale Image Recognition. arXiv:1409.1556 [cs] (September 2014).
K. Simonyan and A. Zisserman. Very Deep Convolutional Networks for Large-Scale Image Recognition. ICLR, 2015.
Visual Geometry Group, Department of Engineering Science, University of Oxford
https://arxiv.org/abs/1409.1556v1

?

1、網(wǎng)絡(luò)架構(gòu)?

• 網(wǎng)絡(luò)配置：VGG16是16個卷積層或全連接層，包括五組卷積層和3個全連接層。
• 網(wǎng)絡(luò)規(guī)模 ：總的參數(shù)個數(shù)138M 。

?

2、實驗結(jié)果

• VGG16: top-1和top -5錯誤率分別為24.4％和7.2%
• VGG19: top-1和top-5錯誤率分別為24.4％和7.1%?

?

?

?

VGG系列神經(jīng)網(wǎng)絡(luò)的架構(gòu)詳解

DL之VGGNet：VGGNet算法的架構(gòu)詳解、損失函數(shù)、網(wǎng)絡(luò)訓(xùn)練和學(xué)習(xí)之詳細(xì)攻略

?

1、VGG一般的網(wǎng)絡(luò)結(jié)構(gòu)及其參數(shù)

?

VGG系列集合以及對比

VGG11~VGG19

?

(1)、訓(xùn)練VGG系列模型所需要的顯存：模型D(VGG16)性能效果最好

?

VGG16練習(xí)攻略二

1、VGG16實踐經(jīng)驗

相關(guān)文章
DL之CNN優(yōu)化技術(shù)：學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)CNN的優(yōu)化、實踐經(jīng)驗(練習(xí)調(diào)參)、從代碼深刻認(rèn)知CNN架構(gòu)之練習(xí)技巧

• 嘗試使用VGG16模型的其它層來作為傳輸層。它如何影響訓(xùn)練和分類的準(zhǔn)確性？
• 改變我們添加的新的分類層。你能通過增加或減少全連接層的節(jié)點數(shù)量來提高分類精度嗎？
• 如果你在新的分類器中移除隨機(jī)失活層會發(fā)生什么？
• 改變遷移學(xué)習(xí)和微調(diào)時的學(xué)習(xí)率。
• 嘗試微調(diào)整個VGG16模型。它如何影響訓(xùn)練和測試集的分類精度？為什么?
• 試著從一開始就進(jìn)行微調(diào)，這樣新的分類層就會和VGG16模型的所有卷積層一起開始訓(xùn)練。您可能需要降低優(yōu)化器的學(xué)習(xí)速度。
• 給測試集和訓(xùn)練集添加一些圖像。這樣能使性能提升嗎？
• 嘗試刪除一些刀和湯匙的圖像，使所有類別的圖像數(shù)目相等。這是否改善了混淆矩陣中的數(shù)字？
• Use another dataset.
• 使用另一個數(shù)據(jù)集。
• 使用Keras中另一個預(yù)訓(xùn)練模型。
• 向朋友解釋程序如何工作。

?

?

?

?

?

VGG19

1、關(guān)于imagenet-vgg-verydeep-19.mat模型簡介

Stanford CS20SI公開課里的一個神經(jīng)網(wǎng)絡(luò)style_transfer小模型的時候,用到了vgg pretrained模型，VGG-Net的結(jié)構(gòu)圖，來自論文《VERY DEEP CONVOLUTIONAL NETWORK SFORLARGE-SCALE IMAGE RECOGNITION》，發(fā)表于ICLR 2015上，比較起ALEXNET,VGG對圖片有更精確的估值以及更省空間。包含了卷積層、池化層、全連接層、soft輸出層等。更多詳細(xì)內(nèi)容見參考博客

模型下載imagenet-vgg-verydeep-19.mat

?

?

?

總結(jié)

以上是生活随笔為你收集整理的DL之VGGNet：VGGNet算法的简介(论文介绍)、架构详解、案例应用等配图集合之详细攻略的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

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