day8-经典神经网络VGG
VGG的亮点在于它通过堆叠多个卷积层，以小的卷积核和池化层的方式来增加网络深度，从而实现高精度的图像识别。这种方法可以有效地捕获图像中的高级特征，并通过不断拟合训练数据来提高识别准确率。
1 小卷积作用
某层feature map上的元素看到前面不同层上的区域范围是不同的，通常在不特殊指定的情况下，感受野指的是看到输入图像上的区域。
-
网络层数增加（非线性表达能力增加）
-
网络参数数量减少
2 VGG版本
#configure
cfgs = {"A": [64, "M", 128, "M", 256, 256, "M", 512, 512, "M", 512, 512, "M"],#VGG11"B": [64, 64, "M", 128, 128, "M", 256, 256, "M", 512, 512, "M", 512, 512, "M"],#VGG13"D": [64, 64, "M", 128, 128, "M", 256, 256, 256, "M", 512, 512, 512, "M", 512, 512, 512, "M"],#VGG16,一般使用这个"E": [64, 64, "M", 128, 128, "M", 256, 256, 256, 256, "M", 512, 512, 512, 512, "M", 512, 512, 512, 512, "M"],#VGG19
}
self.classifier = nn.Sequential(nn.Linear(512 * 7 * 7, 4096),nn.ReLU(True),nn.Dropout(p=dropout),nn.Linear(4096, 4096),nn.ReLU(True),nn.Dropout(p=dropout),nn.Linear(4096, num_classes),)
3 存在的问题
1.网络架构非常大，需要大量的计算资源来训练。如要在较小设备上使用VGG会发现它非常慢并且可能无法获得足够的性能
2.网络结构非常深，可能会导致梯度消失或梯度爆炸。（在非常深的神经网络中，梯度在传播过程中可能会变得非常小或者非常大，导致模型无法正常训练）
4 VGG网络测试
将全连接替换为卷积，从而适应不同输入大小的图。
-
第1个全连接层转换为7×7的卷积层
-
后两个全连接层转换为1×1的卷积层
-
得到一个空间维度可变的多通道的概率图(class score map)，空间维度求和平均作为预测概率
5 VGG总体特征
与AlexNet同为链式结构，而且更加简单
-
结构非常简洁，整个网络使用了同样大小的卷积核尺寸（3×3）和最大池化尺寸（2×2）
-
几个小滤波器（3×3）卷积层的组合比一个大滤波器（5×5或7×7）卷积层好
-
层数更深更宽（11层、13层、16层、19层）
-
池化核变小且为偶数
-
验证了通过不断加深网络结构可以提升性能
