做教师章节试题哪个网站,网站续费续的是什么钱,网站建设开发报价单,电脑网站转手机版一、AlexNet与VGG
1、深度学习追求更深更大#xff0c;使用VGG将卷积层组合为块
2、VGG块#xff1a;3*3卷积#xff08;pad1#xff0c;n层#xff0c;m通道#xff09;、2*2最大池化层
二、VGG架构
1、多个VGG块后接全连接层
2、不同次数的重复块得到不同的架构使用VGG将卷积层组合为块
2、VGG块3*3卷积pad1n层m通道、2*2最大池化层
二、VGG架构
1、多个VGG块后接全连接层
2、不同次数的重复块得到不同的架构egVGG-16卷积层和全连接层相加的总数 三、总结
1、VGG-11使用可复用的卷积块构造网络。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。
2、块的使用导致网络定义的非常简洁。使用块可以有效地设计复杂的网络。
3、深层且窄的卷积即3×3比较浅层且宽的卷积更有效
四、代码
1、VGG块
import torch
from torch import nn
from d2l import torch as d2ldef vgg_block(num_convs, in_channels, out_channels):layers []for _ in range(num_convs):layers.append(nn.Conv2d(in_channels, out_channels,kernel_size3, padding1))layers.append(nn.ReLU())in_channels out_channelslayers.append(nn.MaxPool2d(kernel_size2,stride2))return nn.Sequential(*layers)
2、VGG网络
def vgg(conv_arch):conv_blks []in_channels 1# 卷积层部分# num_convs一块里有多少个层for (num_convs, out_channels) in conv_arch:conv_blks.append(vgg_block(num_convs, in_channels, out_channels))in_channels out_channelsreturn 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)
