做任务赚钱网站源码广州网页seo排名

一、AlexNet与VGG

1、深度学习追求更深更大，使用VGG将卷积层组合为块

2、VGG块：3*3卷积（pad=1，n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，eg：VGG-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_size=3, padding=1))layers.append(nn.ReLU())in_channels = out_channelslayers.append(nn.MaxPool2d(kernel_size=2,stride=2))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)