目录

​1、模型介绍​

​2、模型结构​

​3、模型特性​

​4、Pytorch复现​


1、模型介绍

        VGGNet是由牛津大学视觉几何小组(Visual Geometry Group, VGG)提出的一种深层卷积网络结构,他们以7.32%的错误率赢得了2014年ILSVRC分类任务的亚军(冠军由GoogLeNet以6.65%的错误率夺得)和25.32%的错误率夺得定位任务(Localization)的第一名(GoogLeNet错误率为26.44%),网络名称VGGNet取自该小组名缩写。VGGNet是首批把图像分类的错误率降低到10%以内模型,同时该网络所采用的 卷积核的思想是后来许多模型的基础,该模型发表在2015年国际学习表征会议(International Conference On Learning Representations, ICLR)后至今被引用的次数已经超过1万4千余次,yyds!。很多的物体检测模型的主干网络(例如SSD、M2Det)都是采用VGGNet、还有图像风格迁移、图像分割等等,所以VGGNet是我们深度学习必学的模型之一。


2、模型结构

【图像分类】一文学会VGGNet(pytorch)_2d

上图是VGG16-3模型,在原论文中的VGGNet包含了6个版本的演进,分别对应VGG11、VGG11-LRN、VGG13、VGG16-1、VGG16-3和VGG19,如下图:

【图像分类】一文学会VGGNet(pytorch)_深度学习_02

不同的后缀数值表示不同的网络层数(VGG11-LRN表示在第一层中采用了LRN的VGG11,VGG16-1表示后三组卷积块中最后一层卷积采用卷积核尺寸为1×1 ,相应的VGG16-3表示卷积核尺寸为 3×3),本节介绍的VGG16为VGG16-3,参数的详细配置如下表:


网络层



输入尺寸



核尺寸



输出尺寸



参数个数



卷积层 C_11



 224×224×3



 3×3×64/1



 224×224×64



 (3×3×3+1)×64



卷积层 C_12



 224×224×64



 3×3×64/1



 224×224×64



 (3×3×64+1)×64



池化 Max Pool 1



 224×224×64



 2×2/2



 112×112×64



 0



卷积层 C_21



 112×112×64



 3×3×128/1



 112×112×128



 (3×3×64+1)×128



卷积层 C_22



 112×112×128



 3×3×128/1



 112×112×128



 (3×3×128+1)×128


池化 Max Pool 2


 112×112×128



 2×2/2



 56×56×128



 0



卷积层 C_31



 56×56×128



 3×3×256/1



 56×56×256



 (3×3×128+1)×256



卷积层 C_32



 56×56×256



 3×3×256/1



 56×56×256



 (3×3×256+1)×256



卷积层 C_33



 56×56×256



 3×3×256/1



 56×56×256



 (3×3×256+1)×256


池化 Max Pool 3


 56×56×256



 2×2/2



 28×28×256



 0



卷积层 C_41



 28×28×256



 3×3×512/1



 28×28×512



 (3×3×256+1)×512



卷积层 C_42



 28×28×512



 3×3×512/1



 28×28×512



 (3×3×512+1)×512



卷积层 C_43



 28×28×512



 3×3×512/1



 28×28×512



 (3×3×512+1)×512


池化 Max Pool 4


 28×28×512



 2×2/2



 14×14×512



 0



卷积层 C_51



 14×14×512



 3×3×512/1



 14×14×512



 (3×3×512+1)×512



卷积层 C_52



 14×14×512



 3×3×512/1



 14×14×512



 (3×3×512+1)×512



卷积层 C_53



 14×14×512



 3×3×512/1



 14×14×512



 (3×3×512+1)×512


池化 Max Pool 5


 14×14×512



 2×2/2



 7×7×512



 0



全连接层 FC_1



 7×7×512



 (7×7×512)×4096



 1×4096



 (7×7×512+1)×4096



全连接层 FC_2



 1×4096



 4096×4096



 1×4096



 (4096+1)×4096



全连接层 FC_3



 1×4096



 4096×1000



 1×1000



 (4096+1)×1000


3、模型特性

  • 整个网络都使用了同样大小的卷积核尺寸3×3和最大池化尺寸2×2。
  • 1×1卷积的意义主要在于线性变换,而输入通道数和输出通道数不变,没有发生降维。
  • 两个3×3的卷积层串联相当于1个5×5的卷积层,感受野大小为5×5。同样地,3个3×3的卷积层串联的效果则相当于1个7×7的卷积层。这样的连接方式使得网络参数量更小,而且多层的激活函数令网络对特征的学习能力更强。

注:VGGNet在训练时有一个小技巧,先训练浅层的的简单网络VGG11,再复用VGG11的权重来初始化VGG13,如此反复训练并初始化VGG19,能够使训练时收敛的速度更快。在训练过程中使用多尺度的变换对原始数据做数据增强,使得模型不易过拟合。

4、Pytorch复现

"""
vgg16
"""
class VGG16(nn.Module):

def __init__(self, num_classes):
super(VGG16, self).__init__()

# calculate same padding:
# (w - k + 2*p)/s + 1 = o
# => p = (s(o-1) - w + k)/2

self.block_1 = nn.Sequential(
nn.Conv2d(in_channels=3,
out_channels=64,
kernel_size=(3, 3),
stride=(1, 1),
# (1(32-1)- 32 + 3)/2 = 1
padding=1),
nn.BatchNorm2d(64),
nn.ReLU(),
nn.Conv2d(in_channels=64,
out_channels=64,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(64),
nn.ReLU(),
nn.MaxPool2d(kernel_size=(2, 2),
stride=(2, 2))
)

self.block_2 = nn.Sequential(
nn.Conv2d(in_channels=64,
out_channels=128,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(128),
nn.ReLU(),
nn.Conv2d(in_channels=128,
out_channels=128,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(128),
nn.ReLU(),
nn.MaxPool2d(kernel_size=(2, 2),
stride=(2, 2))
)

self.block_3 = nn.Sequential(
nn.Conv2d(in_channels=128,
out_channels=256,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(256),
nn.ReLU(),
nn.Conv2d(in_channels=256,
out_channels=256,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(256),
nn.ReLU(),
nn.Conv2d(in_channels=256,
out_channels=256,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(256),
nn.ReLU(),
nn.MaxPool2d(kernel_size=(2, 2),
stride=(2, 2))
)

self.block_4 = nn.Sequential(
nn.Conv2d(in_channels=256,
out_channels=512,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(512),
nn.ReLU(),
nn.Conv2d(in_channels=512,
out_channels=512,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(512),
nn.ReLU(),
nn.Conv2d(in_channels=512,
out_channels=512,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(512),
nn.ReLU(),
nn.MaxPool2d(kernel_size=(2, 2),
stride=(2, 2))
)

self.block_5 = nn.Sequential(
nn.Conv2d(in_channels=512,
out_channels=512,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(512),
nn.ReLU(),
nn.Conv2d(in_channels=512,
out_channels=512,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(512),
nn.ReLU(),
nn.Conv2d(in_channels=512,
out_channels=512,
kernel_size=(3, 3),
stride=(1, 1),
padding=1),
nn.BatchNorm2d(512),
nn.ReLU(),
nn.MaxPool2d(kernel_size=(2, 2),
stride=(2, 2))
)

self.classifier = nn.Sequential(
nn.Linear(512, 4096),
nn.ReLU(True),
nn.Dropout(p=0.65),
nn.Linear(4096, 4096),
nn.ReLU(True),
nn.Dropout(p=0.65),
nn.Linear(4096, num_classes),
)

for m in self.modules():
if isinstance(m, torch.nn.Conv2d) or isinstance(m, torch.nn.Linear):
nn.init.kaiming_uniform_(m.weight, mode='fan_in', nonlinearity='leaky_relu')
# nn.init.xavier_normal_(m.weight)
if m.bias is not None:
m.bias.detach().zero_()

# self.avgpool = nn.AdaptiveAvgPool2d((7, 7))

def forward(self, x):

x = self.block_1(x)
x = self.block_2(x)
x = self.block_3(x)
x = self.block_4(x)
x = self.block_5(x)
# x = self.avgpool(x)
x = x.view(x.size(0), -1)
logits = self.classifier(x)
probas = F.softmax(logits, dim=1)
# probas = nn.Softmax(logits)
return probas
# return logits