基于pytorch搭建VGGNet神经网络用于花类识别

持续创作,加速成长!这是我参与「日新计划 6 月更文挑战」的第9天,点击查看活动详情

作者简介:秃头小苏,致力于用最通俗的语言描述问题

往期回顾:卡尔曼滤波系列神经网络对信息的存储依赖什么1——卡尔曼神经网络的基本原理滤波    基于pytorch搭建AlexNet神经网络用于花类识别

近期目标:拥有5000粉丝

支持小苏:点赞、收藏⭐、留言

基于pytorch搭建VGGNet神经网络用于花类识别

写在前面

  上一篇写过基于pytorch搭建AlexNet神经网络用于花类识别项目实战,建议阅读此篇前先弄明白上篇所述之事此外本节搭建的网络模型是VGG,需要你对VGG的卷积公式表大全网络结构有较深入的了解,还不清楚的戳此图标☞☞☞了解详情。

  这篇文章同样是对花的类别进行识别,和上一篇使用AlexNet进行识别整体步骤是完全类似的,主要区别就是网络的结构有所不同,因此,本节将只针对VGG的网络结构搭建进行详细的讲解,其余部分基本和上一篇一致,不再赘述,大家可自行下载代码进一步研究。

VGGNet网络模型搭建

  这一部分的代码可能真的能让你感受到代码之美,写的确实太漂亮了首先我们神经网络引擎知道VGG一共有四种结构,分别为V卷积神经网络GG11、VGG13、VGG16、VGG19神经网络英文。我想若是让我们单独的构建一种VGG网络是不难办到的神经网络控制,VGG这种神经网络分类直筒型的结构用代码实现是较容易的。官方的demo中通过一个字典将4中结构的VGG网络放在了一起,只需要我们在调用的时候传入相关参数就可以了,实在是太妙了!!!下面让我们一起来学习一下   首先我们定义了一个字典cfgs,字典中神经网络是什么有四个键值对,每个键对应VGG的一种结构,每个值是对应结构中神经网络的基本原理的一些参数神经网络算法三大类

cfgs = {
    'vgg11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
    'vgg13': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],
    'vgg16': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'],
    'vgg19': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512, 'M'],
}

具体的,我们拿vgg卷积云16来进行相关解释:

基于pytorch搭建VGGNet神经网络用于花类识别
  有了这个字典之后,我们就可以通过传入相关参数来构建特征提取层:

# 在cfgs传入"vgg16",得到一个列表cfg
#cfg = [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M']
cfg = cfgs["vgg16"]    
#定义特征提取层函数make_features,将cfg作为参数传入
def make_features(cfg: list):
    layers = []
    in_channels = 3
    #遍历整个cfg列表
    for v in cfg:
        #若v的值为"M",则在层结构layers中添加一个最大池化层,其kernel_size=2, stride=2
        if v == "M":
            layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
        #若v值为数字,则在层结构layers中添加一个卷积层核和Relu激活函数
        else:
            conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
            layers += [conv2d, nn.ReLU(True)]
            in_channels = v
    return nn.Sequential(*layers)

  通过上面程序,我们可以来看一下得到的layers内部的部分结构【只选了前几个层】,如卷积云下图所示:

基于pytorch搭建VGGNet神经网络用于花类识别

接下来我们可以来构建我们的分类层,即全连接层的部神经网络对信息的存储依赖什么分:

self.classifier = nn.Sequential(
            nn.Linear(512*7*7, 4096),
            nn.ReLU(True),
            nn.Dropout(p=0.5),
            nn.Linear(4096, 4096),
            nn.ReLU(True),
            nn.Dropout(p=0.5),
            nn.Linear(4096, num_classes)
        )

这些都准备好之后,我们就可以来定义我们的网络模型了,如下所示:

class VGG(nn.Module):
    def __init__(self, features, num_classes=1000):
        super(VGG, self).__init__()
        self.features = features
        self.classifier = nn.Sequential(
            nn.Linear(512*7*7, 4096),
            nn.ReLU(True),
            nn.Dropout(p=0.5),
            nn.Linear(4096, 4096),
            nn.ReLU(True),
            nn.Dropout(p=0.5),
            nn.Linear(4096, num_classes)
        )
        if init_weights:
            self._initialize_weights()
    def forward(self, x):
        # N x 3 x 224 x 224
        x = self.features(x)
        # N x 512 x 7 x 7
        x = torch.flatten(x, start_dim=1)
        # N x 512*7*7
        x = self.classifier(x)
        return x

至此,我们的模型就创建完毕,最后让我们来看看我们刚刚创建的VGG神经网络引擎模型结构:

基于pytorch搭建VGGNet神经网络用于花类识别

训练结果展示

  本篇文卷积神经网络的工作原理章不再详细讲解训练步骤,和神经网络算法三大类基于pytorch搭建AlexNet神经网络用神经网络对信息的存储依赖什么于花类识别基本一致。这里展示一下训练结果,如下图所示:

基于pytorch搭建VGGNet神经网络用于花类识别

  其准确率达到了0.神经网络引擎761,我们可以再来看看我们保存的VGG模型,如下图,可以看出VGG用到的参数还是很多的,有500+M,这和我们的理论部分也是契合的。

基于pytorch搭建VGGNet神经网络用于花类识别

小结

神经网络是什么 对于这一部分我强卷积云烈建议大家去使用Pycharm的调试功能,一步步的看每次运行神经网络的结果,这样你会发现代码结构特别的清晰。

参考视频:www.bilibili.com/vid卷积公式表大全eo/BV1i7…

如若文章对你有所帮助,那就

咻咻咻咻~~duang~~点个赞呗

发表评论

提供最优质的资源集合

立即查看 了解详情