企业官网建设流程全解析

潍坊网站建设技术外包,番禺建设银行网站,国内主机wordpress,高德地图加拿大能用吗1 问题探索不同深度的VGG网络[_, 1, 28, 28][_, 16, 14, 14][_, 32, 14, 14][_, 64, 14, 14][-, 64, 7, 7][_, 128, 7, 7][_, 256, 7, 7][_, 256*7*7[_, 512][_, 10]维持特征图大小不变的情况下,持续提升通道数。2 方法VGG网络是由牛津大学的视觉几何组#xff08;Visual Geom…1问题探索不同深度的VGG网络[_, 1, 28, 28][_, 16, 14, 14][_, 32, 14, 14][_, 64, 14, 14][-, 64, 7, 7][_, 128, 7, 7][_, 256, 7, 7][_, 256*7*7[_, 512][_, 10]维持特征图大小不变的情况下,持续提升通道数。2方法VGG网络是由牛津大学的视觉几何组Visual Geometry Group提出的卷积神经网络架构其主要特点是网络深度更深参数数量更多并且效果和可移植性都比较好。VGG网络主要有两种结构VGG16和VGG19两者并没有本质上的区别主要差异在于网络的深度。VGG16是许多模型中的主干网络它在原论文中提供了6个不同的配置包括不同的深度如11、13、16、19层以及是否采用LRN等。在实际应用中我们一般都会采用D这个配置。VGG网络的原理是通过连续使用几个3x3的卷积核来代替较大卷积核如7x75x5这样可以在保证具有相同感知野的条件下提升了网络的深度在一定程度上提升了神经网络的效果。例如VGG中使用了3个3x3卷积核来代替7x7卷积核使用了2个3x3卷积核来代替5x5卷积核。在维持特征图大小不变的情况下持续提升通道数的VGG网络如下第一层卷积层输入尺寸为[224, 224, 3]输出尺寸为[_, 64, 7, 7]。第二层卷积层输入尺寸为[64, 7, 7]输出尺寸为[_, 128, 7, 7]。第三层卷积层输入尺寸为[128, 7, 7]输出尺寸为[_, 256, 7, 7]。第四层卷积层输入尺寸为[256, 7, 7]输出尺寸为[_, 512]。第五层卷积层输入尺寸为[512]输出尺寸为[_, 512]。全连接层输入尺寸为[512]输出尺寸为[_, 10]。3结语1、VGG-11使用可复用的卷积块构造网络。不同的VGG模型可通过每个块中卷积层数量和输出通道数量的差异来定义。2、块的使用导致网络定义的非常简洁。使用块可以有效地设计复杂的网络。3、在VGG论文中Simonyan和Ziserman尝试了各种架构。特别是他们发现深层且窄的卷积即比较浅层且宽的卷积更有效。