VGG16 ネットワーク構造学習メモ

1. ネットワーク構造

VGG には、コンボリューション カーネルのサイズとコンボリューション層の数に応じて、A、A-LRN、B、C、D、E の 6 つの構成があります。このうち、D と E が最も一般的に使用されており、これらが私たちが使用するものです。 VGG16 と VGG19 を呼び出します。

構造図の紹介:

1. conv3-64 : 畳み込み 3 層目で次元が 64 になることを意味します 同様に、conv3-128 は畳み込み 3 層目で次元が 128 になることを意味します; 同時に、conv3-64 のボリュームが 64 であることも意味します.蓄積コア
2. 入力 (224x224 RGB 画像) : 224 × 244 224\times244の入力画像サイズを指します。$224\times 244$カラー画像 (チャンネル$3$、つまり$224\times 244\times 3$；
3. maxpool:最大プーリングを指します。vgg16 では、プーリングは$2\ast 2$の最大プーリング方法
4. FC-4096:完全接続層の 4096 ノードを指します。同様に、FC-1000 は完全接続層に 1000 ノードがあることを意味します。
5. 最後に、vgg16 畳み込みの各層のスライディング ステップ サイズはstride=1、padding=1畳み込みカーネル サイズは$3\times 3$；

実際、最後の4096は経験値、1000 は分類されるカテゴリの数であり、この値より小さくすることはできません。すべてのアクティベーション ユニットはReLuです。13 の畳み込み層と 5 つのプーリング層が特徴抽出を担当し、最後の 3 つの完全に接続された層が分類タスクの完了を担当します。

2. VGG16モデルに必要なメモリ容量

実際、pytorch では関数コマンドを使用してパラメーターの数を計算できます。

3. VGGネットワ​​ークのメリット

2 $3\times 3\; つ$の畳み込みを積み重ねることによって得られる受容野のサイズは、$5\times 5$の畳み込み; while 3$3\times 3\; つの$畳み込みを積み重ねることによって得られる受容野は、$7\times 7$コンボリューション。

• パラメータを減らしてネットワークの深さを増やす
• これは、より多くの非線形マッピングを実行することと同等であり、ネットワークのフィッティング/表現能力を向上させることができます。