【模型】VGG-16与VGG-19模型结构

本站原创文章，转载请说明来自《老饼讲解-深度学习》www.bbbdata.com

本文详细讲解VGG-16的模型结构及相关数据处理、训练方法

通过本文具体地掌握VGG-16模型及VGG原文对VGG所作的相关细节处理

    01. VGGNet模型回顾    

本节回顾VGGNet系列模型，并展示VGGNet各个模型的配置

      VGGNet模型简要回顾       

VGGNet是Visual Geometry Group和Google DeepMind公司在2014年共同研发的卷积神经网络
VGG主要用于图片类别识别
 VGG的输入是：3×224×224的图片                                           
 VGG的输出是：1000×1的向量P，Pi代表样本属于第i类的概率 
   VGG共包括6个模型，各个模型的配置如下:
 
其中，较实用的模型为D、E模型，它们一般被称为VGG-16和VGG-19

     02. VGG-16模型结构    

本节详细讲解VGG-16模型结构和VGG-16的具体运算流程

     VGG-16模型结构描述    

VGG-16的卷积、池化配置预说明
 VGG的卷积、池化配置是统一的，如下
 卷积配置：3×3的卷积核，填充1，步幅1                                  
           特点：该卷积配置的输出Size与输入Size一致     
 池化配置：2×2的池化窗口，步幅2，池化方式:max                  
           特点：该池化配置的输出Size是输入Size的一半
VGG-16的各层明细
 
输入：224×244×3的图像                                                                                               
说明：以下“卷积(a,b)”中的a,b代表卷积的输入和输出通道                          
C1：卷积(3,64)->ReLu->卷积(64,64)->ReLu->池化                                                       
     输出Size:112×112×64                                                       
C2：卷积(64,128)->ReLu->卷积(128,128)->ReLu->池化                                               
     输出Size:56×56×128                                                        
C3：卷积(128,256)->ReLu->卷积(256,256)->ReLu->卷积(256,256)->ReLu->池化        
     输出Size:28×28×256                                                        
C4：卷积(256,512)->ReLu->卷积(512,512)->ReLu->卷积(512,512)->ReLu->池化        
     输出Size:14×14×512                                                        
C5：卷积(512,512)->ReLu->卷积(512,512)->ReLu->卷积(512,512)->ReLu->池化        
     输出Size:7×7×512                                                          
F6：全连接层，神经元个数4096，激活函数ReLu                                                            
F7：全连接层，神经元个数4096，激活函数ReLu                                                            
F8：全连接层，神经元个数1000(即类别的个数)                                                              
VGG-16的输出：将F8的输出进行soft-max就是最终的输出                                              

✍️备注：F6和F7在训练时采用dropout机制进行，其中概率系数：0.5

      VGG-16的模型结构图    

为方便直观了解VGG-16的模型的整体结构以及运算流程，
笔者绘制了VGG-16的模型结构图如下
  

     03. VGG-19模型结构    

本节基于VGG-16的基础上，讲解VGG-19的模型结构

        VGG-19的模型结构       

VGG-19的结构只是在VGG-16的C3、C4、C5层各加一个卷积层，其它一切与VGG-16一致
 VGG-19的C3、C4、C5配置具体如下：
👉C3：卷积(128,256)->ReLu->卷积(256,256)->ReLu->卷积(256,256)->ReLu->卷积(256,256)->ReLu->池化          
     输出Size:28×28×256                                                                                 
👉C4：卷积(256,512)->ReLu->卷积(512,512)->ReLu->卷积(512,512)->ReLu->卷积(512,512)->ReLu->池化          
     输出Size:14×14×512                                                                                 
👉C5：卷积(512,512)->ReLu->卷积(512,512)->ReLu->卷积(512,512)->ReLu->卷积(512,512)->ReLu->池化          
     输出Size:7×7×512                                                                                   

✍️老饼语
简单来说，VGG-19就是在VGG-16的C3,C4,C5各加一层，共加三层，就变成了VGG-19
为避免内容过于重复，这里不再展示VGG-19的完整结构图，参考VGG-16即可

 End