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

?

?

目錄

VGG系列神經網絡算法簡介

1、網絡架構?

2、實驗結果

VGG系列神經網絡的架構詳解

VGG系列集合以及對比

VGG16練習攻略二

1、VGG16實踐經驗

VGG19

1、關于imagenet-vgg-verydeep-19.mat模型簡介

---

?

?

?

?

?

?

?

相關文章
DL之VGGNet：VGGNet算法的簡介(論文介紹)、架構詳解、案例應用等配圖集合之詳細攻
DL之VGGNet：VGGNet算法的架構詳解、損失函數、網絡訓練和測試之詳細攻略

VGG系列神經網絡算法簡介

? ? ? ? ?VGGNet 是2014 年ILSVRC競賽分類任務的第二名（第一名是GoogLeNet）和定位任務的第一名，來自牛津大學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
本文研究了卷積網絡深度對大規模圖像識別中卷積網絡精度的影響。我們的主要貢獻是對深度增加的網絡進行徹底評估，這表明，通過將深度推至16-19重量層，可以顯著改善現有技術配置。這些發現是我們提交的ImageNet挑戰賽2014的基礎，我們的團隊在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.
結論
在這項工作中，我們評估了非常深的卷積網絡（高達19個權重層）的大規模圖像分類。結果表明，表示深度有利于分類的準確性，并且可以使用傳統的ConvNet結構[10,11]在深度上顯著增加，從而在ImageNet挑戰賽數據集上實現最先進的性能。也就是說，我們的目標定位系統贏得了ILSVRC-2014定位挑戰，而我們的分類系統在分類挑戰中排名第二。我們的結果再次證實了深度在視覺表現中的重要性。

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、網絡架構?

• 網絡配置：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。
• 網絡規模 ：總的參數個數138M 。

?

2、實驗結果

• 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系列神經網絡的架構詳解

DL之VGGNet：VGGNet算法的架構詳解、損失函數、網絡訓練和學習之詳細攻略

?

1、VGG一般的網絡結構及其參數

?

VGG系列集合以及對比

VGG11~VGG19

?

(1)、訓練VGG系列模型所需要的顯存：模型D(VGG16)性能效果最好

?

VGG16練習攻略二

1、VGG16實踐經驗

相關文章
DL之CNN優化技術：學習卷積神經網絡CNN的優化、實踐經驗(練習調參)、從代碼深刻認知CNN架構之練習技巧

• 嘗試使用VGG16模型的其它層來作為傳輸層。它如何影響訓練和分類的準確性？
• 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點數量來提高分類精度嗎？
• 如果你在新的分類器中移除隨機失活層會發生什么？
• 改變遷移學習和微調時的學習率。
• 嘗試微調整個VGG16模型。它如何影響訓練和測試集的分類精度？為什么?
• 試著從一開始就進行微調，這樣新的分類層就會和VGG16模型的所有卷積層一起開始訓練。您可能需要降低優化器的學習速度。
• 給測試集和訓練集添加一些圖像。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目相等。這是否改善了混淆矩陣中的數字？
• Use another dataset.
• 使用另一個數據集。
• 使用Keras中另一個預訓練模型。
• 向朋友解釋程序如何工作。

?

?

?

?

?

VGG19

1、關于imagenet-vgg-verydeep-19.mat模型簡介

Stanford CS20SI公開課里的一個神經網絡style_transfer小模型的時候,用到了vgg pretrained模型，VGG-Net的結構圖，來自論文《VERY DEEP CONVOLUTIONAL NETWORK SFORLARGE-SCALE IMAGE RECOGNITION》，發表于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。更多詳細內容見參考博客

模型下載imagenet-vgg-verydeep-19.mat

?

?

?

總結

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站內容還不錯，歡迎將生活随笔推薦給好友。