VGG 参数分析 转

 

上面放了一个keras用vgg16训练测试的例子，我也试过用vgg16训练然后测试自己的例子，效果一般，这里我们来分析一下vgg16的网络结果

keras代码如下

[python]  view plain  copy

 

1. def VGG_16(weights_path=None):  
2.     model = Sequential()  
3.     model.add(ZeroPadding2D((1,1),input_shape=(3,224,224)))#卷积输入层，指定了输入图像的大小  
4.     model.add(Convolution2D(64, 3, 3, activation='relu'))#64个3x3的卷积核，生成64*224*224的图像，激活函数为relu  
5.     model.add(ZeroPadding2D((1,1)))#补0，保证图像卷积后图像大小不变，其实用<span style="font-family:Consolas, 'Andale Mono WT', 'Andale Mono', 'Lucida Console', 'Lucida Sans Typewriter', 'DejaVu Sans Mono', 'Bitstream Vera Sans Mono', 'Liberation Mono', 'Nimbus Mono L', Monaco, 'Courier New', Courier, monospace;color:#333333;"><span style="font-size:10.8px;">padding = 'valid'参数就可以了</span></span>  
6.     model.add(Convolution2D(64, 3, 3, activation='relu'))#再来一次卷积 生成64*224*224  
7.     model.add(MaxPooling2D((2,2), strides=(2,2)))#pooling操作，相当于变成64*112*112  
8.   
9.     model.add(ZeroPadding2D((1,1)))  
10.     model.add(Convolution2D(128, 3, 3, activation='relu'))  
11.     model.add(ZeroPadding2D((1,1)))  
12.     model.add(Convolution2D(128, 3, 3, activation='relu'))  
13.     model.add(MaxPooling2D((2,2), strides=(2,2)))#128*56*56  
14.   
15.     model.add(ZeroPadding2D((1,1)))  
16.     model.add(Convolution2D(256, 3, 3, activation='relu'))  
17.     model.add(ZeroPadding2D((1,1)))  
18.     model.add(Convolution2D(256, 3, 3, activation='relu'))  
19.     model.add(ZeroPadding2D((1,1)))  
20.     model.add(Convolution2D(256, 3, 3, activation='relu'))  
21.     model.add(MaxPooling2D((2,2), strides=(2,2)))#256*28*28  
22.   
23.     model.add(ZeroPadding2D((1,1)))  
24.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
25.     model.add(ZeroPadding2D((1,1)))  
26.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
27.     model.add(ZeroPadding2D((1,1)))  
28.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
29.     model.add(MaxPooling2D((2,2), strides=(2,2)))#512*14*14  
30.   
31.     model.add(ZeroPadding2D((1,1)))  
32.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
33.     model.add(ZeroPadding2D((1,1)))  
34.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
35.     model.add(ZeroPadding2D((1,1)))  
36.     model.add(Convolution2D(512, 3, 3, activation='relu'))  
37.     model.add(MaxPooling2D((2,2), strides=(2,2)))  #到这里已经变成了512*7*7  
38.   
39.     model.add(Flatten())#压平上述向量，变成一维25088  
40.     model.add(Dense(4096, activation='relu'))#全连接层有4096个神经核，参数个数就是4096*25088  
41.     model.add(Dropout(0.5))#0.5的概率抛弃一些连接  
42.     model.add(Dense(4096, activation='relu'))#再来一个全连接  
43.     model.add(Dropout(0.5))  
44.     model.add(Dense(1000, activation='softmax'))  
45.   
46.     if weights_path:  
47.         model.load_weights(weights_path)  
48.   
49.     return model  

vgg16详细信息

下面是详细的参数个数

[cpp]  view plain  copy

 M 代表1000*1000

1. INPUT: [224x224x3]        memory:  224*224*3=150K   weights: 0  
2. CONV3-64: [224x224x64]  memory:  224*224*64=3.2M   weights: (3*3*3)*64 = 1,728    3*3 代表卷积大小 *3 代表输入时3个通道 *64代表输出64个
3. CONV3-64: [224x224x64]  memory:  224*224*64=3.2M   weights: (3*3*64)*64 = 36,864   同理3*3是卷积大小 *64代表输入64通道 *64代表输出是64通道
4. POOL2: [112x112x64]  memory:  112*112*64=800K   weights: 0  
5. CONV3-128: [112x112x128]  memory:  112*112*128=1.6M   weights: (3*3*64)*128 = 73,728  
6. CONV3-128: [112x112x128]  memory:  112*112*128=1.6M   weights: (3*3*128)*128 = 147,456  
7. POOL2: [56x56x128]  memory:  56*56*128=400K   weights: 0  
8. CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*128)*256 = 294,912  
9. CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*256)*256 = 589,824  
10. CONV3-256: [56x56x256]  memory:  56*56*256=800K   weights: (3*3*256)*256 = 589,824  
11. POOL2: [28x28x256]  memory:  28*28*256=200K   weights: 0  
12. CONV3-512: [28x28x512]  memory:  28*28*512=400K   weights: (3*3*256)*512 = 1,179,648  
13. CONV3-512: [28x28x512]  memory:  28*28*512=400K   weights: (3*3*512)*512 = 2,359,296  
14. CONV3-512: [28x28x512]  memory:  28*28*512=400K   weights: (3*3*512)*512 = 2,359,296  
15. POOL2: [14x14x512]  memory:  14*14*512=100K   weights: 0  
16. CONV3-512: [14x14x512]  memory:  14*14*512=100K   weights: (3*3*512)*512 = 2,359,296  
17. CONV3-512: [14x14x512]  memory:  14*14*512=100K   weights: (3*3*512)*512 = 2,359,296  
18. CONV3-512: [14x14x512]  memory:  14*14*512=100K   weights: (3*3*512)*512 = 2,359,296  
19. POOL2: [7x7x512]  memory:  7*7*512=25K  weights: 0  
20. FC: [1x1x4096]  memory:  4096  weights: 7*7*512*4096 = 102,760,448  
21. FC: [1x1x4096]  memory:  4096  weights: 4096*4096 = 16,777,216  
22. FC: [1x1x1000]  memory:  1000 weights: 4096*1000 = 4,096,000  
23.   
24. TOTAL memory: 24M * 4 bytes ~= 93MB / image (only forward! ~*2 for bwd)  
25. TOTAL params: 138M parameters