Pytorch实现Vgg16Net
from torch import nn class Vgg16Net(nn.Module): def __init__(self): super(Vgg16Net, self).__init__() # 第一层，2个卷积层和一个最大池化层 self.layer1 = nn.Sequential( # 输入3通道，卷积核3*3，输出64通道（如32*32*3的样本图片，(32+2*1-3)/1+1=32，输出32*32*64） nn.Conv2d(3, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), # 输入64通道，卷积核3*3，输出64通道（输入32*32*64，卷积3*3*64*64，输出32*32*64） nn.Conv2d(64, 64, 3, padding=1), nn.BatchNorm2d(64), nn.ReLU(inplace=True), # 输入32*32*64，输出16*16*64 nn.MaxPool2d(kernel_size=2, stride=2) ) # 第二层，2个卷积层和一个最大池化层 self.layer2 = nn.Sequential( # 输入64通道，卷积核3*3，输出128通道（输入16*16*64，卷积3*3*64*128，输出16*16*128） nn.Conv2d(64, 128, 3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), # 输入128通道，卷积核3*3，输出128通道（输入16*16*128，卷积3*3*128*128，输出16*16*128） nn.Conv2d(128, 128, 3, padding=1), nn.BatchNorm2d(128), nn.ReLU(inplace=True), # 输入16*16*128，输出8*8*128 nn.MaxPool2d(kernel_size=2, stride=2) ) # 第三层，3个卷积层和一个最大池化层 self.layer3 = nn.Sequential( # 输入128通道，卷积核3*3，输出256通道（输入8*8*128，卷积3*3*128*256，输出8*8*256） nn.Conv2d(128, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), # 输入256通道，卷积核3*3，输出256通道（输入8*8*256，卷积3*3*256*256，输出8*8*256） nn.Conv2d(256, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), # 输入256通道，卷积核3*3，输出256通道（输入8*8*256，卷积3*3*256*256，输出8*8*256） nn.Conv2d(256, 256, 3, padding=1), nn.BatchNorm2d(256), nn.ReLU(inplace=True), # 输入8*8*256，输出4*4*256 nn.MaxPool2d(kernel_size=2, stride=2) ) # 第四层，3个卷积层和1个最大池化层 self.layer4 = nn.Sequential( # 输入256通道，卷积3*3，输出512通道（输入4*4*256，卷积3*3*256*512，输出4*4*512） nn.Conv2d(256, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True), # 输入512通道，卷积3*3，输出512通道（输入4*4*512，卷积3*3*512*512，输出4*4*512） nn.Conv2d(512, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True), # 输入512通道，卷积3*3，输出512通道（输入4*4*512，卷积3*3*512*512，输出4*4*512） nn.Conv2d(512, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True), # 输入4*4*512，输出2*2*512 nn.MaxPool2d(kernel_size=2, stride=2) ) # 第五层，3个卷积层和1个最大池化层 self.layer5 = nn.Sequential( # 输入512通道，卷积3*3，输出512通道（输入2*2*512，卷积3*3*512*512，输出2*2*512） nn.Conv2d(512, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True), # 输入512通道，卷积3*3，输出512通道（输入2*2*512，卷积3*3*512*512，输出2*2*512） nn.Conv2d(512, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True), # 输入512通道，卷积3*3，输出512通道（输入2*2*512，卷积3*3*512*512，输出2*2*512） nn.Conv2d(512, 512, 3, padding=1), nn.BatchNorm2d(512), nn.ReLU(inplace=True), # 输入2*2*512，输出1*1*512 nn.MaxPool2d(kernel_size=2, stride=2) ) self.conv_layer = nn.Sequential( self.layer1, self.layer2, self.layer3, self.layer4, self.layer5 ) self.fc = nn.Sequential( nn.Linear(512, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Dropout(), nn.Linear(4096, 1000) ) def forward(self, x): x = self.conv_layer(x) x = x.view(-1, 512) x = self.fc(x) return x
123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110注意：本博客写的代码网络： 输入32*32*3 ，输出1*1*512。原网络：输入224*224*3 ，输出7*7*512。
参考：https://blog.csdn.net/aa330233789/article/details/106411301?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-8.nonecase&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-8.nonecase
相关知识
使用PyTorch实现对花朵的分类
pytorch实现迁移训练
ResNet残差网络在PyTorch中的实现——训练花卉分类器
搭建简单的神经网络——使用pytorch实现鸢尾花的分类
pytorch深度学习框架——实现病虫害图像分类
Pytorch实现102类鲜花分类(102 Category Flower Dataset)
Pytorch介绍与linux、windows环境下安装
pytorch 花朵的分类识别
创建虚拟环境并,创建pytorch 1.3.1
基于Python和PyTorch的小程序苹果病虫害识别教程
网址: Pytorch实现Vgg16Net https://m.huajiangbk.com/newsview742487.html
| 上一篇: 用word模仿手写字体 |
下一篇: 南构村花手写字体参数,nango |
