VGG实现

 - VGG提出了可以通过重复使用简单的基础块来构建深度模型的思路。

 

 

 

VGG块

        对于给定的感受野（与输出有关的输入图片的局部大小），采用堆积的小卷积核优于采用大的卷积核，因为可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）。例如，在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5*5卷积核，这样做的主要目的是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。

import time 
import torch
from torch import nn,optim

import sys
sys.path.append('./Dive-into-DL-PyTorch-master/Dive-into-DL-PyTorch-master/code/')
import d2lzh_pytorch as d2l
device = torch.device('cuda' if torch.cuda.is_available() else 'cpu')
def vgg_block(num_convs,in_channels,out_channels):
    blk = []
    for i in range(num_convs):
        if i == 0:
            blk.append(nn.Conv2d(in_channels,out_channels,kernel_size=3,
                                padding=1))
        else:
            blk.append(nn.Conv2d(out_channels,out_channels,kernel_size=3,
                                padding=1))
        blk.append(nn.ReLU())
        # 这里会使得高宽减半
    blk.append(nn.MaxPool2d(kernel_size=2,stride=2))
    return nn.Sequential(*blk) # 列表blk加入Sequnrtial需要解引用

VGG网络

conv_arch = ((1, 1, 64), (1, 64, 128), (2, 128, 256),
             (2, 256, 512), (2, 512, 512))
# 经过5个vgg_block, 宽高会减半5次, 变成 224/32 = 7
fc_features = 512 * 7 * 7 # c * w * h
fc_hidden_units = 4096 # 任意

def vgg(conv_arch,fc_features,fc_hidden_units=4096):
    net = nn.Sequential()
    # 卷积部分
    for i,(num_convs,in_channels,out_channels) in enumerate(conv_arch):
        # 每经过一个vgg_block都会使高宽减半
        net.add_module('vgg_block_'+str(i+1),vgg_block(num_convs,
                                                       in_channels,out_channels))
    # 全连接部分
    net.add_module('fc',nn.Sequential(d2l.FlattenLayer(),
                                    nn.Linear(fc_features,fc_hidden_units),
                                    nn.ReLU(),
                                    nn.Dropout(0.5),
                                    nn.Linear(fc_hidden_units,fc_hidden_units),
                                    nn.ReLU(),
                                    nn.Dropout(0.5),
                                    nn.Linear(fc_hidden_units,10)))
    return net

 

 

 

 

 

 

 

x = torch.rand(1,1,224,224)

# named_children获取一级子模块及其名字(named_modules会返回所有子模块,
# 包括子模块的子模块)

for name,blk in net.named_children():
    x = blk(x)
    print(name,'output shape:',x.shape)