• VGG 参数分析 转

     

    上面放了一个keras用vgg16训练测试的例子，我也试过用vgg16训练然后测试自己的例子，效果一般，这里我们来分析一下vgg16的网络结果

    keras代码如下

    [python] view plain copy
     
    1. def VGG_16(weights_path=None):  
    2.     model = Sequential()  
    3.     model.add(ZeroPadding2D((1,1),input_shape=(3,224,224)))#卷积输入层，指定了输入图像的大小  
    4.     model.add(Convolution2D(64, 3, 3, activation='relu'))#64个3x3的卷积核，生成64*224*224的图像，激活函数为relu  
    5.     model.add(ZeroPadding2D((1,1)))#补0，保证图像卷积后图像大小不变，其实用<span style="font-family:Consolas, 'Andale Mono WT', 'Andale Mono', 'Lucida Console', 'Lucida Sans Typewriter', 'DejaVu Sans Mono', 'Bitstream Vera Sans Mono', 'Liberation Mono', 'Nimbus Mono L', Monaco, 'Courier New', Courier, monospace;color:#333333;"><span style="font-size:10.8px;">padding = 'valid'参数就可以了</span></span>  
    6.     model.add(Convolution2D(64, 3, 3, activation='relu'))#再来一次卷积 生成64*224*224  
    7.     model.add(MaxPooling2D((2,2), strides=(2,2)))#pooling操作，相当于变成64*112*112  
    8.   
    9.     model.add(ZeroPadding2D((1,1)))  
    10.     model.add(Convolution2D(128, 3, 3, activation='relu'))  
    11.     model.add(ZeroPadding2D((1,1)))  
    12.     model.add(Convolution2D(128, 3, 3, activation='relu'))  
    13.     model.add(MaxPooling2D((2,2), strides=(2,2)))#128*56*56  
    14.   
    15.     model.add(ZeroPadding2D((1,1)))  
    16.     model.add(Convolution2D(256, 3, 3, activation='relu'))  
    17.     model.add(ZeroPadding2D((1,1)))  
    18.     model.add(Convolution2D(256, 3, 3, activation='relu'))  
    19.     model.add(ZeroPadding2D((1,1)))  
    20.     model.add(Convolution2D(256, 3, 3, activation='relu'))  
    21.     model.add(MaxPooling2D((2,2), strides=(2,2)))#256*28*28  
    22.   
    23.     model.add(ZeroPadding2D((1,1)))  
    24.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
    25.     model.add(ZeroPadding2D((1,1)))  
    26.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
    27.     model.add(ZeroPadding2D((1,1)))  
    28.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
    29.     model.add(MaxPooling2D((2,2), strides=(2,2)))#512*14*14  
    30.   
    31.     model.add(ZeroPadding2D((1,1)))  
    32.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
    33.     model.add(ZeroPadding2D((1,1)))  
    34.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
    35.     model.add(ZeroPadding2D((1,1)))  
    36.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
    37.     model.add(MaxPooling2D((2,2), strides=(2,2)))  #到这里已经变成了512*7*7  
    38.   
    39.     model.add(Flatten())#压平上述向量，变成一维25088  
    40.     model.add(Dense(4096, activation='relu'))#全连接层有4096个神经核，参数个数就是4096*25088  
    41.     model.add(Dropout(0.5))#0.5的概率抛弃一些连接  
    42.     model.add(Dense(4096, activation='relu'))#再来一个全连接  
    43.     model.add(Dropout(0.5))  
    44.     model.add(Dense(1000, activation='softmax'))  
    45.   
    46.     if weights_path:  
    47.         model.load_weights(weights_path)  
    48.   
    49.     return model  

    vgg16详细信息

    下面是详细的参数个数

    [cpp] view plain copy
     M 代表1000*1000
    1. INPUT: [224x224x3]        memory:  224*224*3=150K   weights: 0  
    2. CONV3-64: [224x224x64]  memory:  224*224*64=3.2M   weights: (3*3*3)*64 = 1,728    3*3 代表卷积大小 *3 代表输入时3个通道 *64代表输出64个
    3. CONV3-64: [224x224x64]  memory:  224*224*64=3.2M   weights: (3*3*64)*64 = 36,864   同理3*3是卷积大小 *64代表输入64通道 *64代表输出是64通道
    4. POOL2: [112x112x64]  memory:  112*112*64=800K   weights: 0  
    5. CONV3-128: [112x112x128]  memory:  112*112*128=1.6M   weights: (3*3*64)*128 = 73,728  
    6. CONV3-128: [112x112x128]  memory:  112*112*128=1.6M   weights: (3*3*128)*128 = 147,456  
    7. POOL2: [56x56x128]  memory:  56*56*128=400K   weights: 0  
    8. CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*128)*256 = 294,912  
    9. CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*256)*256 = 589,824  
    10. CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*256)*256 = 589,824  
    11. POOL2: [28x28x256]  memory:  28*28*256=200K   weights: 0  
    12. CONV3-512: [28x28x512]  memory:  28*28*512=400K   weights: (3*3*256)*512 = 1,179,648  
    13. CONV3-512: [28x28x512]  memory:  28*28*512=400K   weights: (3*3*512)*512 = 2,359,296  
    14. CONV3-512: [28x28x512]  memory:  28*28*512=400K   weights: (3*3*512)*512 = 2,359,296  
    15. POOL2: [14x14x512]  memory:  14*14*512=100K   weights: 0  
    16. CONV3-512: [14x14x512]  memory:  14*14*512=100K   weights: (3*3*512)*512 = 2,359,296  
    17. CONV3-512: [14x14x512]  memory:  14*14*512=100K   weights: (3*3*512)*512 = 2,359,296  
    18. CONV3-512: [14x14x512]  memory:  14*14*512=100K   weights: (3*3*512)*512 = 2,359,296  
    19. POOL2: [7x7x512]  memory:  7*7*512=25K  weights: 0  
    20. FC: [1x1x4096]  memory:  4096  weights: 7*7*512*4096 = 102,760,448  
    21. FC: [1x1x4096]  memory:  4096  weights: 4096*4096 = 16,777,216  
    22. FC: [1x1x1000]  memory:  1000 weights: 4096*1000 = 4,096,000  
    23.   
    24. TOTAL memory: 24M * 4 bytes ~= 93MB / image (only forward! ~*2 for bwd)  
    25. TOTAL params: 138M parameters  
  • 相关阅读:
    C++ 17
    C++ 11
    mysql统计某一个数据库中有几张表
    poj2636---Electrical Outlets（插线板）
    poj2608---几个字母映射到同一个数字
    poj2583---Series Determination
    poj2578---三个数中找出第一个大于168的
    poj2521---lose money
    poj2538---字符匹配（映射）
    poj2509---抽k根烟就换一支，求能抽烟的总数
  • 原文地址：https://www.cnblogs.com/love6tao/p/9021325.html
Copyright © 2020-2023  润新知