VGG总结

标签：连接   softmax   融合   之间   识别   nbsp   池化   限制   sof   

  最初目的：搞清楚网络深度与模型的识别精度和准确率之间的关系。

  获得的结果：不能无限制的加深网络，在网络加深到一定层数之后就会出现训练效果褪化、梯度消逝或者梯度爆炸等问题。

  主要的贡献：

  1、提出用多层3 x 3的卷积层来替换大尺寸的卷积核，从而提升网络深度。

  2、使用1 x 1的卷积核进行各通道的特征融合，以及增加非线性。

  3、探索网络深度与准确率之间的关系

  VGG网络的设置

  输入预处理：VGG把输入的图像减去其RGB的均值然后再输入给神经网络。

  各个结构层的设置：

  1、卷积层：网络用3 x 3的小尺寸卷积核来提取特征，并用 1 x 1的卷积核来作线性转换（后接非线性层）。卷积运算的步长设置为 1，且进行 padding，使得卷积前后尺寸不变。

  2、池化层：选取的是max-pooling，步长设置的是2，尺寸设置的是2*2，所以会改变特征图的大小。

  3、全连接层：有三个连接层，分别是4096,4096和1000的大小，最后接的损失函数是softmax得到每一个类的概率。

VGG总结

标签：连接   softmax   融合   之间   识别   nbsp   池化   限制   sof   

原文地址：https://www.cnblogs.com/Mydream6/p/12613212.html