VGGNet网络结构详解

VGGNet
VGG16使用了更小的卷积和步长。
例如用2个3×3的代替1个5*5的

VGGNet网络结构详解_第1张图片
VGGNet网络结构详解_第2张图片

1:

input:224×24×3
要经过经过两次卷积cov3-64,
Conv1_1: 输入通道I为3,输出通道O为64,卷积核为N×N×I×O,stride=1,卷积核为3×3×3×64,则输出尺寸为224×224×64

*Conv1_2:*输入通道I为64,输出通道O为64,卷积核为N×N×I×O,stride=1,卷积核为3×3×64×64,则输出尺寸为224×224×64

Maxpooling:
Input:224×224×64
2×2的最大池化核,输出为112×112×64

2:

input:112×112×64
要经过经过两次卷积cov3-64,
*Conv1_1:*输入通道I为64,输出通道O为128,卷积核为N×N×I×O,stride=1,卷积核为3×3×64×128,则输出尺寸为112×112×128

Conv1_2:输入通道I为128,输出通道O为128,卷积核为N×N×I×O,stride=1,卷积核为3×3×128×128,则输出尺寸为112×112×128

Maxpooling:
Input:112×112×128
2×2的最大池化核,输出为56×56×128

3.

input:56×56×128
要经过经过两次卷积cov3-64,
*Conv1_1:*输入通道I为128,输出通道O为256,卷积核为N×N×I×O,stride=1,卷积核为3×3×128×256,则输出尺寸为56×56×256

*Conv1_2:*输入通道I为256,输出通道O为256,卷积核为N×N×I×O,stride=1,卷积核为3×3×256×256,则输出尺寸为56×56×256

Maxpooling:
Input:56×56×256
2×2的最大池化核,输出为28×28×256

4.

input:28×28×256
要经过经过两次卷积cov3-64,
*Conv1_1:*输入通道I为256,输出通道O为512,卷积核为N×N×I×O,stride=1,卷积核为3×3×256×512,则输出尺寸为28×28×512

*Conv1_2:*输入通道I为512,输出通道O为512,卷积核为N×N×I×O,stride=1,卷积核为3×3×512×512,则输出尺寸为28×28×512

Maxpooling:
Input:28×28×512
2×2的最大池化核,输出为14×14×512

5.

input:14×14×512
要经过经过两次卷积cov3-64,
*Conv1_1:输入通道I为512,输出通道O为512,卷积核为N×N×I×O,stride=1,卷积核为3×3×512512,则输出尺寸为14×14×512

*Conv1_2:输入通道I为512,输出通道O为512,卷积核为N×N×I×O,stride=1,卷积核为3×3×512512,则输出尺寸为14×14×512
Maxpooling:
Input: 14×14×512
2×2的最大池化核,输出为7×7×512

Fc6:

Input:7×7×512
输出为1×1×4096
总参数量为7×7×512×4096

Fc7:

Input:1×1×4096
输出为1×1×4096
总参数量为4096×4096

Fc8:

Input:1×1×4096
输出为1000(softmax)
总参数量为4096×1000

你可能感兴趣的:(经典网络,卷积,卷积神经网络,深度学习)