文章目录
前言一、VGG16介绍二、VGG16网络复现——pytorch前言
这篇文章按道理来说应该是很简单的，但是因为一个很小的bug，让我难受了一晚上，直到现在我也没找出原因。后面我会提到这个bug。
今天这篇文章主要用来手动搭建vgg16这个网路，以前都是直接调用的。VGG16网络是非常重要，尤其是后面U-net这种网络，是基于VGG-16
一、VGG16介绍
VGG16论文地址：/pdf/1409.1556.pdf
主要介绍（翻译一下摘要吧）：
本文研究了在大规模图像识别环境中，卷积网络深度对卷积网络精度的影响。我们的主要贡献是使用一个非常小(3 × 3)卷积滤波器的架构对增加深度的网络进行彻底的评估，这表明通过将深度推到16-19个权重层，可以实现对现有技术配置的显著改进。这些发现是我们的 ImageNet 挑战提交的基础，我们的团队在本地化和分类轨道上分别获得了第一和第二名。我们还表明，我们的表示很好地推广到其他数据集，在那里他们实现了最先进的结果。我们已经公开了我们的两个性能最好的 ConverNet 模型，以促进深度视觉表示在计算机视觉中的应用的进一步研究。
这些网络结构中，D用的最多，今天我们也重点对D进行复现。
二、VGG16网络复现——pytorch
import torch.nn as nnimport torchclass VGG16(nn.Module):def __init__(self):super(VGG16,self).__init__()self.conv1=nn.Sequential(nn.Conv2d(3,64,3,1,1),nn.BatchNorm2d(64),nn.ReLU(inplace=True),nn.Conv2d(64,64,3,1,1),nn.BatchNorm2d(64),nn.ReLU(inplace=True),nn.MaxPool2d(2,2))self.conv2 = nn.Sequential(nn.Conv2d(64, 128, 3, 1, 1),nn.BatchNorm2d(128),nn.ReLU(inplace=True),nn.Conv2d(128, 128, 3, 1, 1),nn.BatchNorm2d(128),nn.ReLU(inplace=True),nn.MaxPool2d(2, 2))self.conv3 = nn.Sequential(nn.Conv2d(128, 256, 3, 1, 1),nn.BatchNorm2d(256),nn.ReLU(inplace=True),nn.Conv2d(256, 256, 3, 1, 1),nn.BatchNorm2d(256),nn.ReLU(inplace=True),nn.Conv2d(256, 256, 3, 1, 1),nn.BatchNorm2d(256),nn.ReLU(inplace=True),nn.MaxPool2d(2, 2))self.conv4 = nn.Sequential(nn.Conv2d(256, 512, 3, 1, 1),nn.BatchNorm2d(512),nn.ReLU(inplace=True),nn.Conv2d(512, 512, 3, 1, 1),nn.BatchNorm2d(512),nn.ReLU(inplace=True),nn.Conv2d(512, 512, 3, 1, 1),nn.BatchNorm2d(512),nn.ReLU(inplace=True),nn.MaxPool2d(2, 2))self.conv5 = nn.Sequential(nn.Conv2d(512, 512, 3, 1, 1),nn.BatchNorm2d(512),nn.ReLU(inplace=True),nn.Conv2d(512, 512, 3, 1, 1),nn.BatchNorm2d(512),nn.ReLU(inplace=True),nn.Conv2d(512, 512, 3, 1, 1),nn.BatchNorm2d(512),nn.ReLU(inplace=True),nn.MaxPool2d(2, 2))self.feature=nn.Sequential(self.conv1,self.conv2,self.conv3,self.conv4,self.conv5)self.fc=nn.Sequential(nn.Linear(512 * 7 * 7, 4096),nn.ReLU(inplace=True),nn.Linear(4096, 4096),nn.ReLU(inplace=True),nn.Linear(4096, 1000))def forward(self,x):x=self.feature(x)x = x.view(x.size(0), -1)x = self.fc(x)return xvgg = VGG16()print(vgg)x=torch.rand(1,3,224,224)y=vgg(x)print(y.shape)
最后rand随机生成一个张量进行测试：x=torch.rand(1,3,224,224）一个3通道的224X224图
打印的网络结果图如下：（中间省略一部分）
最后输出的y的shape为：
符合预期结果
