一、VGGNet简介

VGGNet是牛津大学计算机视觉组和Google DeepMind公司的研究员一起研发的深度卷积神经网络。VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠 $3\times 3$ 的小型卷积核和 $2\times 2$ 的最大池化层，VGGNet成功地构造了16~19层深的卷积神经网络。VGGNet的错误率大幅下降，取得了ILSVRC 2014比赛分类项目的第2名和定位项目的第1名。同时，VGGNet的拓展性很强，迁移到其他图片数据上的泛化性非常好。VGG的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（ $3\times 3$ ）和最大池化尺寸（ $2\times 2$ ）。目前为止，VGGNet依然经常别用来提取图像特征。

VGGNet拥有5段卷积，每一段内有2~3个卷积层，同时每段尾部会连接一个最大池化层用来缩小图片的尺寸。每一段的卷积核数量相同，越往后的卷积核数量越多：64-128-256-512-512.经常出现多个完全一样的 $3\times 3$ 的卷积层堆叠在一起的情况。两个 $3\times 3$ 的卷积层串联相当于1个 $5\times 5$ 的卷积层，即一个像素会跟周围 $5\times 5$ 的像素产生关联，可以说感受野大小为 $5\times 5$ 。3个 $3\times 3$ 的卷积层串联的效果相当于1个7 $\times 7$ 的卷积层，除此之外，它的参数量变小了，并且拥有比1个 $7\times 7$ 的卷积层更多的非线性变换（前者使用三次ReLU，后者使用一次），使得CNN对特征的学习能力更强。

VGGNet网络的训练，我们可以先训练一个层数比较小的网络，然后在训练一个层数比较多的网络，不断的增加层数迭代训练。通过VGGNet的训练，总结了一下几点：

LRN层作用不大
越深的网络效果越好
$1\times 1$ 的卷积也是有效的，但是没有 $3\times 3$ 的好。大一些的卷积核可以学习更大的空间特征。

二、 TensorFlow实现VGGNet

我们实现VGGNet-16，也就是说一共16层，其中有13层卷积层，3层全连接层。我们依然是评测forward和backward的运行性能，并不进行实质的训练和预测。

# 导包
from datetime import datetime
import math
import time
import tensorflow as tf# 创建卷积层，并把参数存入列表
def conv_op(input_op, name, kh, kw, n_out, dh, dw, p):"""input_op:输入的tensorname:这一层的名字kh:卷积核的高kw:卷积核的宽n_out:卷积核数量即输出通道数dh:是步长的高dw:是步长的宽p：是参数列表"""n_in = input_op.get_shape()[-1].value  # 获取输入的通道数with tf.name_scope(name) as scope:# 卷积核kernel = tf.get_variable(scope + 'w', shape=[kh, kw, n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer_conv2d())# 卷积操作conv = tf.nn.conv2d(input_op, kernel, (1, dh, dw, 1), padding='SAME')# 偏置bias_int_val = tf.constant(0.0, shape=[n_out], dtype=tf.float32)biases = tf.Variable(bias_int_val, trainable=True, name='b')# 卷积加偏置z = tf.nn.bias_add(conv, biases)# 激活activation = tf.nn.relu(z, name=scope)# 存参数p += [kernel, biases]return activation# 创建全连接层，并把参数传入列表
def fc_op(input_op, name, n_out, p):"""input_out：输入的tensorname：这一层的名字n_out：输出的通道数p：是参数列表"""n_in = input_op.get_shape()[-1].valuewith tf.name_scope(name) as scope:kernel = tf.get_variable(scope + 'w', shape=[n_in, n_out], dtype=tf.float32, initializer=tf.contrib.layers.xavier_initializer())  # 参数biases = tf.Variable(tf.constant(0.1, shape=[n_out], dtype=tf.float32), name='b')  # 偏置activation = tf.nn.relu_layer(input_op, kernel, biases, name=scope)p += [kernel, biases]return activation# 创建池化层
def mpool_op(input_op, name, kh, kw, dh, dw):"""input_op：输入的tensorname：这层的名字kh：池化核的长度kw：池化核的宽度dh：步长的长度dw：步长的宽度"""return tf.nn.max_pool(input_op, ksize=[1, kh, kw, 1], strides=[1, dh, dw, 1], padding='SAME', name=name)# 搭建VGGNet-16网络
def inference_op(input_op, keep_prob):p = []# 第一段卷积网络conv1_1 = conv_op(input_op, name='conv1_1', kh=3, kw=3, n_out=64, dh=1, dw=1, p=p)conv1_2 = conv_op(conv1_1, name='conv1_2', kh=3, kw=3, n_out=64, dh=1, dw=1, p=p)pool1 = mpool_op(conv1_2, name='pool1', kh=2, kw=2, dw=2, dh=2)# 第二段卷积网络conv2_1 = conv_op(pool1, name='conv2_1', kh=3, kw=3, n_out=128, dh=1, dw=1, p=p)conv2_2 = conv_op(conv2_1, name='conv2_2', kh=3, kw=3, n_out=128, dh=1, dw=1, p=p)pool2 = mpool_op(conv2_2, name='pool2', kh=2, kw=2, dh=2, dw=2)# 第三段卷积网络conv3_1 = conv_op(pool2, name='conv3_1', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)conv3_2 = conv_op(conv3_1, name='conv3_2', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)conv3_3 = conv_op(conv3_2, name='conv3_3', kh=3, kw=3, n_out=256, dh=1, dw=1, p=p)pool3 = mpool_op(conv3_3, name='pool3', kh=2, kw=2, dh=2, dw=2)# 第四段卷积网络conv4_1 = conv_op(pool3, name='conv4_1', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)conv4_2 = conv_op(conv4_1, name='conv4_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)conv4_3 = conv_op(conv4_2, name='conv4_3', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)pool4 = mpool_op(conv4_3, name='pool4', kh=2, kw=2, dh=2, dw=2)# 第五段卷积网络conv5_1 = conv_op(pool4, name='conv5_1', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)conv5_2 = conv_op(conv5_1, name='conv5_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)conv5_3 = conv_op(conv5_2, name='conv5_2', kh=3, kw=3, n_out=512, dh=1, dw=1, p=p)pool5 = mpool_op(conv5_3, name='pool5', kh=2, kw=2, dw=2, dh=2)# 扁平化，将pool5转化为一维向量shp = pool5.get_shape()flattened_shape = shp[1].value * shp[2].value * shp[3].valueresh1 = tf.reshape(pool5, [-1, flattened_shape], name='resh1')# 第一个全连接层fc6 = fc_op(resh1, name='fc6', n_out=4096, p=p)fc6_drop = tf.nn.dropout(fc6, keep_prob, name='fc6_drop')# 第二个全连接层fc7 = fc_op(fc6_drop, name='fc7', n_out=4096, p=p)fc7_drop = tf.nn.dropout(fc7, keep_prob, name='fc7_drop')# 第三个全连接层，输入到softmax中，输出概率最大的类别fc8 = fc_op(fc7_drop, name='fc8', n_out=1000, p=p)softmax = tf.nn.softmax(fc8)predictions = tf.argmax(softmax, 1)return predictions, softmax, fc8, p# 评测函数
def time_tensorflow_run(session, target, feed, info_string):num_steps_burn_in = 10total_duration = 0.0total_duration_squared = 0.0for i in range(num_batches + num_steps_burn_in):start_time = time.time()_ = session.run(target, feed_dict=feed)duration = time.time() - start_timeif i >= num_steps_burn_in:if not i % 10:print('%s: step %d, duration = %.3f' % (datetime.now(), i - num_steps_burn_in, duration))total_duration += durationtotal_duration_squared += duration * durationmn = total_duration / num_batchesvr = total_duration_squared / num_batches - mn * mnsd = math.sqrt(vr)print('%s: %s across %d steps, %.3f +/- %.3f sec / batch' % (datetime.now(), info_string, num_batches, mn, sd))# 主函数
def run_benchmark():with tf.Graph().as_default():image_size = 224images = tf.Variable(tf.random_normal([batch_size, image_size, image_size, 3], dtype=tf.float32, stddev=1e-1))# 创建keep_prob的占位符keep_prob = tf.placeholder(tf.float32)predictions, softmax, fc8, p = inference_op(images, keep_prob)# 创建sessioninit = tf.global_variables_initializer()sess = tf.Session()sess.run(init)# 执行评测time_tensorflow_run(sess, predictions, {keep_prob: 1.0}, "Forward")objective = tf.nn.l2_loss(fc8)grad = tf.gradients(objective, p)time_tensorflow_run(sess, grad, {keep_prob: 0.5}, "Forward-backward")batch_size = 32
num_batches = 100
run_benchmark()

从结果我们可以看出，forward花费的每十步花费的时间为8.64秒，backward花费的时间为28.30秒。可以看出VGGNet的复杂度要比AlexNet复杂很多。但是在比赛中的错误率最终达到了7.3%。相比AlexNet进步很大。

TensorFlow实现VGGNet相关推荐

【Tensorflow】深度学习实战04——Tensorflow实现VGGNet
[fishing-pan:https://blog.csdn.net/u013921430转载请注明出处] 前言现在已经到了Tensorflow实现卷积神经网络的第四讲了,既然是学习.实践,我一直坚 ...
教你用TensorFlow实现VGGNet
勿满足于眼前的小小成就.你要问自己,我这辈子只有这样吗. VGGNet 是牛津大学计算机视觉组( Visual Geometry Group〉和 Google DeepMind公司的研究员一起研发的的 ...
python制作训练集_利用Tensorflow简单实现VGGNet，从数据集制作到训练完成测试
VGGNet_TF 利用Tensorflow简单实现VGGNet,从数据集制作到训练完成测试参考:<Tensorflow实战><Tensorflow 实战Google深度学习框架& ...
CNN基本步骤以及经典卷积(LeNet、AlexNet、VGGNet、InceptionNet 和 ResNet)网络讲解以及tensorflow代码实现
课程来源:人工智能实践:Tensorflow笔记2 文章目录前言 1.卷积神经网络的基本步骤 1.卷积神经网络计算convolution 2.感受野以及卷积核的选取 3.全零填充Padding 4. ...
VGGNet原理及tensorflow实现
VGGNet介绍: VGGNet是牛津大学计算机视觉组和Google DeepMind一起研发的卷积神经网络,VGGNet探索了卷积神经网络的深度与其性能之间的关系.VGG的结构特点是通过反复堆叠3x ...
TensorFlow实战：经典卷积神经网络（AlexNet、VGGNet）
下面表格是两个网络的简单比较: 特点 AlexNet VGGNet 论文贡献介绍完整CNN架构模型(近些年的许多CNN模型都是依据此模型变种来的)和多种训练技巧 CNN模型复兴的开山之作使用GPU ...
TensorFlow实战：Chapter-4（CNN-2-经典卷积神经网络（AlexNet、VGGNet））
引言 AlexNet AlexNet 简介 AlexNet的特点 AlexNet论文分析引言介绍数据集网络架构注解注解减少过拟合训练细节结果讨论参考文献略 AlexNet在Ten ...
VGGNet tensorflow实战(CIFAR10数据集)
VGGNet的主体思想是什么呢普通的神经网络可能是一个卷积层后面跟一个pooling层或者不跟pooling层 VGGNet是通过使用3*3的卷积或者1*1的卷积将层次进行加深所以VGGNet可以 ...
tensorflow学习笔记VGGnet
学习自北京大学曹建老师课程

TensorFlow实现VGGNet

一、VGGNet简介

二、 TensorFlow实现VGGNet

TensorFlow实现VGGNet相关推荐

最新文章

热门文章