二、分析 vgg16 的過程
三、理解神經網路 vgg 16
四、用vgg16 來做乙個影象識別案例
vgg是由simonyan 和zisserman在文獻《very deep convolutional networks for large scale image recognition》中提出卷積神經網路模型，其名稱**於作者所在的牛津大學視覺幾何組(visual geometry group)的縮寫。
該模型參加2023年的 imagenet影象分類與定位挑戰賽，取得了優異成績：在分類任務上排名第二，在定位任務上排名第一
vgg中根據卷積核大小和卷積層數目的不同，可分為a，a-lrn,b,c,d,e共6個配置(convnet configuration)，其中以d,e兩種配置較為常用，分別稱為vgg16和vgg19
我們重點關注 vgg 16：
經典卷積神經網路之 VGG16
命名 16表示除pooling layer外使用conv layer的層數 1.vggnet探索了卷積神經網路的深度與其效能之間的關係，通過反覆堆疊3 3的小型卷積核和2 2的最大池化層，vggnet成功地構築了16 19層深的卷積神經網路 2.vggnet結構簡潔，整個網路都使用了同樣大小的卷積核...
卷積神經網路 經典神經網路模型之VGG 16
vgg 16其中的16含義為 含有權重引數的有16層，共包含引數約為1.38億，這是乙個相當大的網路。但是其網路結構很規整簡潔，沒有那麼多的超引數，專注於構建簡單的網路結構 都是幾個卷積層後面跟乙個最大池化層 通過不斷的加深網路結構來提公升效能 但是由此也會帶來訓練的特徵數量非常大的缺點。其網路結構...
卷積神經網路之VGG
vgg可以看成是加深版的alexnet，整個網路由卷積層和全連線層疊加而成，和alexnet不同的是，vgg中使用的都是小尺寸的卷積核 3 times3 結構簡潔，如下圖vgg 19的網路結構 對比，前文介紹的alexnet的網路結構圖，是不是有種賞心悅目的感覺。整個結構只有 3 times3 的卷...