卷积神经网络——VGG

使用块的网络（VGG）

---

VGG使用了模块化的神经网络结构(VGG块)，很容易使用卷积块来构造网络。
不同的 VGG 模型可通过每个块中卷积层数量和输出通道数量的差异来定义。

1.VGG块

VGG块与基本卷积神经网络的基础组成部分类似：

3×3 卷积核、填充为 1（保持高度和宽度）的卷积层
非线性激活函数，如ReLU
2×2 池化窗口、步幅为 2（每个块后的分辨率减半）的最大汇聚层

代码：
来自 动手学习深度学习

'''pytorch实现'''
import torch
from torch import nn
from d2l import torch as d2l


def vgg_block(num_convs, in_channels, out_channels):
    layers = []
    for _ in range(num_convs):
        layers.append(nn.Conv2d(in_channels, out_channels,
                                kernel_size=3, padding=1))
        layers.append(nn.ReLU())
        in_channels = out_channels
    layers.append(nn.MaxPool2d(kernel_size=2,stride=2))
    return nn.Sequential(*layers)```

2.VGG网络

VGG网络分为两部分：

• 卷积层和汇聚层
• 全连接层

VGG结构图（与AlexNet对照）

3.VGG11

VGG11使用8个卷积层和3个全连接层。
代码：
来自 动手学习深度学习

#超参数变量（超参：在开始机器学习之前，就人为设置好的参数。）
#该变量指定了每个VGG块里卷积层个数和输出通道数
conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))

#通过在 conv_arch 上执行 for 循环来简单实现
def vgg(conv_arch):
   conv_blks = []
   in_channels = 1
   # 卷积层部分
   for (num_convs, out_channels) in conv_arch:
       conv_blks.append(vgg_block(num_convs, in_channels, out_channels))
       in_channels = out_channels

   return nn.Sequential(
       *conv_blks, nn.Flatten(),
       # 全连接层部分
       nn.Linear(out_channels * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5),
       nn.Linear(4096, 4096), nn.ReLU(), nn.Dropout(0.5),
       nn.Linear(4096, 10))

net = vgg(conv_arch)