AlexNet，VGG，NiN，GoogleNet，批量归一化

阿里云国内75折回扣微信号：monov8

阿里云国际，腾讯云国际，低至75折。AWS 93折免费开户实名账号代冲值优惠多多微信号：monov8 飞机：@monov6

学着学着突然发现数据分析numpymatplotlibpandas这一部分内容没学完还有pytorch的一些代码没有学完所以在看像AlexNet这一些代码实现的时候很多都看不懂也得慢慢的补上来了hhh。

这一周花了一些时间学习了数据分析的一些内容然后继续学习深度学习。

AlexNet

AlexNet比LeNet复杂一点先是11*11的卷积层然后是一个最大池化层再是5*5的卷积层然后又是一个最大池化层接下来是3个卷积层一个最大池化层最后是三个全连接层。

import torch
from torch import nn
from d2l import torch as d2l

net = nn.Sequential(
    nn.Conv2d(1, 96, kernel_size=11, stride=4, padding=1), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    nn.Conv2d(96, 256, kernel_size=5, padding=2), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    nn.Conv2d(256, 384, kernel_size=3, padding=1), nn.ReLU(),
    nn.Conv2d(384, 384, kernel_size=3, padding=1), nn.ReLU(),
    nn.Conv2d(384, 256, kernel_size=3, padding=1), nn.ReLU(),
    nn.MaxPool2d(kernel_size=3, stride=2),
    nn.Flatten(),
    nn.Linear(6400, 4096), nn.ReLU(),
    nn.Dropout(p=0.5),
    nn.Linear(4096, 4096), nn.ReLU(),
    nn.Dropout(p=0.5),
    nn.Linear(4096, 10))

ALexNet相比于LeNet来说是更大更深的一种网络新进入了丢弃法ReLU最大池化层和数据增强。

VGG

VGG使用可重复使用的卷积块来构建深度卷积神经网络。

VGG网络可以分为2部分第一部分主要由卷积层和汇聚层组成第二部分由全连接层组成。

VGG-11第一个模块有64个输出通道每个后续模块将输出通道数量翻倍直到该数字达到512。8个卷积层3个全连接层。

import torch
from torch import nn
from d2l import torch as d2l

# 卷积层的数量和输出通道的数量
def vgg_block(num_convs, in_channels, out_channels):
    layers = []
    for _ in range(num_convs):
        layers.append(nn.Conv2d(in_channels, out_channels,kernel_size=3, padding=1))
        layers.append(nn.ReLU())
        in_channels = out_channels
    layers.append(nn.MaxPool2d(kernel_size=2,stride=2))
    return nn.Sequential(*layers)

conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))

def vgg(conv_arch):
    conv_blks = []
    in_channels = 1
    # 卷积层部分
    for (num_convs, out_channels) in conv_arch:
        conv_blks.append(vgg_block(num_convs, in_channels, out_channels))
        in_channels = out_channels

    return nn.Sequential(
        *conv_blks, nn.Flatten(),
        # 全连接层部分
        nn.Linear(out_channels * 7 * 7, 4096), nn.ReLU(), nn.Dropout(0.5),
        nn.Linear(4096, 4096), nn.ReLU(), nn.Dropout(0.5),
        nn.Linear(4096, 10))

net = vgg(conv_arch)