vgg16-pytorch

基于pytorch实现VGG16模型

刚听完土哥的入门pytorch，试着写一个不完善的vgg16

VGG16具体的架构:

VGG16模型构建：

卷积池化后尺寸计算公式：


引入库：

from torch import nn
from torch.nn.modules.flatten import Flatten

dilation默认为1，计算第一个卷积的步长和填充：

224 = （224 2xpadding-1x(3-1)-1）/stride   1
因为padding和stride都为整数，当padding=1，stride=1时，等式成立。

图片为3通道，输出后维64通道，卷积核为3x3，第一个卷积层为：

nn.Conv2d(in_channels=3,out_channels=64,kernel_size=3,stride=1,padding=1),
# 第二个尺寸不变，步长跟填充不变
nn.Conv2d(64,64,3,1,1),

在第一个池化这里，图片长宽都缩小二倍，当池化核为2x2时，取最显著的一个特征可达到这个标准，因此池化核为2，输入长和宽为224，输出长和宽为112，计算池化的步长

112 = （224   2*padding - 1x（2-1）-1）/stride   1
因为padding和stride都为整数，当padding=0，stride=2时，等式成立。padding默认为0可不写

因此，池化层为：

nn.MaxPool2d(kernel_size=2,stride=2)

完整模型代码如下：

from torch import nn
from torch.nn.modules.flatten import Flatten


class Vgg16(nn.Module):
    def __init__(self,category):
        super(Vgg16,self).__init__()
        self.model = nn.Sequential(
            nn.Conv2d(in_channels=3,out_channels=64,kernel_size=3,stride=1,padding=1),
            nn.Conv2d(64,64,3,1,1),
            nn.MaxPool2d(kernel_size=2,stride=2),
            nn.Conv2d(64,128,3,1,1),
            nn.Conv2d(128,128,3,1,1),
            nn.MaxPool2d(2,stride=2),
            nn.Conv2d(128,256,3,1,1),
            nn.Conv2d(256,256,3,1,1),
            nn.Conv2d(256,256,3,1,1),
            nn.MaxPool2d(2,stride=2),
            nn.Conv2d(256,512,3,1,1),
            nn.Conv2d(512,512,3,1,1),
            nn.Conv2d(512,512,3,1,1),
            nn.MaxPool2d(2,stride=2),
            nn.Conv2d(512, 512, 3, 1, 1),
            nn.Conv2d(512, 512, 3, 1, 1),
            nn.Conv2d(512, 512, 3, 1, 1),
            nn.MaxPool2d(2, stride=2),
            Flatten(),
            nn.Linear(512 * 7 * 7, 4096),
            nn.Linear(4096,4096),
            nn.Linear(4096, category)
        )

这篇好文章是转载于：学新通技术网