本文主要是介绍学习基于pytorch的VGG图像分类 day2，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
注：本系列博客在于汇总CSDN的精华帖，类似自用笔记，不做学习交流，方便以后的复习回顾，博文中的引用都注明出处，并点赞收藏原博主.
目录
VGG网络搭建（模型文件）
1.字典文件配置
2.提取特征网络结构
3. VGG类的定义
4.VGG网络实例化
VGG网络搭建（模型文件）
1.字典文件配置
#字典文件，对应各个配置，数字对应卷积核的个数，'M'对应最大液化（即maxpool)
cfgs = {'vgg11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],'vgg13': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],'vgg16': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'],'vgg19': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512, 'M'],
}
2.提取特征网络结构
#提取特征网络结构
def make_features(cfg: list): #传入对应的列表layers = [] #定义一个空列表，存放每层的结果in_channels = 3 #输入为RGB彩色图片，输入通道为3for v in cfg: #通过for循环遍历列表if v == "M": #maxpool size = 2,stride = 2layers += [nn.MaxPool2d(kernel_size=2, stride=2)] #创建最大池化下载量程，池化核为2，布局也为2else: #conv padding = 1,stride = 1conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1) #创建卷积操作(输入特征矩阵深度，输出特征矩阵深度(卷积核个数),卷积核为3,填充为1,stride默认为1(不用写))layers += [conv2d, nn.ReLU(True)] #使用ReLU激活函数in_channels = v #输出深度改变成vreturn nn.Sequential(*layers) #通过Sequential函数将列表以非关键字参数的形式传入（*代表非关键字传入）
3. VGG类的定义
class VGG(nn.Module):def __init__(self, features, num_classes=1000, init_weights=False): #(通过make_features生成的提取特征网络结构，分类的类别个数，是否对网络权重初始化)super(VGG, self).__init__()self.features = featuresself.classifier = nn.Sequential( #生成分类网络nn.Linear(512*7*7, 4096), #全连接层上下的节点个数nn.ReLU(True), #ReLU函数激活nn.Dropout(p=0.5), #Dropout函数减少过拟合，以50%的比例随机失活神经元nn.Linear(4096, 4096), #第一层和第二层nn.ReLU(True),nn.Dropout(p=0.5),nn.Linear(4096, num_classes) #第二层和第三层，总计3层全连接层，最后连接到输出层，输出num_classes的所需个数)if init_weights: #初始化权重函数self._initialize_weights()def forward(self, x): #正向传播 x就是输入的图像数据 # N x 3 x 224 x 224x = self.features(x) #用features提取特征网络结构# N x 512 x 7 x 7x = torch.flatten(x, start_dim=1) #对输出进行一个展平处理，(start_dim定义从哪个维度开始展平处理)# N x 512*7*7x = self.classifier(x) #输入到分类网络结构return xdef _initialize_weights(self):for m in self.modules(): #遍历网络的每一个子模块if isinstance(m, nn.Conv2d): #遍历到卷积层# nn.init.kaiming_normal_(m.weight, mode='fan_out', nonlinearity='relu')nn.init.xavier_uniform_(m.weight) #使用xavier函数初始化，初始化卷积核的权重if m.bias is not None: #卷积核采用偏置nn.init.constant_(m.bias, 0) #将偏执初始化为0elif isinstance(m, nn.Linear): #遍历到全连接层，下面同理nn.init.xavier_uniform_(m.weight)# nn.init.normal_(m.weight, 0, 0.01)nn.init.constant_(m.bias, 0)
4.VGG网络实例化
#实例化VGG网络结构
def vgg(model_name="vgg16", **kwargs):assert model_name in cfgs, "Warning: model number {} not in cfgs dict!".format(model_name)cfg = cfgs[model_name]model = VGG(make_features(cfg), **kwargs) #通过VGG这个类实现实例化网络，(**可变长度的字典变量)return model内容参考来源：
使用pytorch搭建VGG网络_哔哩哔哩_bilibili
这篇关于学习基于pytorch的VGG图像分类 day2的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
