【深度学习】使用块的网络（VGG）
虽然 AlexNet 证明深层神经网络卓有成效，但它没有提供一个通用的模板来指导后续的研究人员设计新的网络。
也就是说尽管我知道了更深更大的网络更有效，但是不清楚怎么让它更深更大，从而起到一个更好的效果。
于是，研究人员开始从单个神经元的角度思考问题，发展到整个层，现在又转向块，重复层的模式。
使用块的想法首先出现在牛津大学的视觉几何组的 VGG 网络中，通过使用循环和子程序，可以很容易地在任何现代深度学习框架的代码中实现这些重复的架构。
一、VGG 块
经典卷积神经网络的基本组成部分是下面的这个序列：
- 带填充以保持分辨率的卷积层；
- 非线性激活函数；
- 汇聚层。
而一个 VGG 块与之类似，由一系列卷积层组成，后面再加上用于空间下采样的最大汇聚层。
VGG 块有 3 个参数可以控制：卷积层数、输入通道数和输出通道数。以上一节的 AlexNet 架构为例，其可以看成 3 个 VGG 块和 3 个全连接层组成。
其中，第一个 VGG 块卷积层数是 1，输入通道是 1，输出通道是 96；第二个 VGG 块卷积层数是 1，输入通道数是前一个块的输出通道数，输出通道数是 256；第三个块卷积层数为 3，输入通道为 256，输出通道为 384。
代码实现如下：
def vgg_block(num_convs, in_channels, out_channels): # 定义vgg块layers = []for _ in range(num_convs):layers.append(nn.Conv2d(in_channels, out_channels,kernel_size=3, padding=1)) # 加入卷积层layers.append(nn.ReLU()) # 加入激活函数in_channels = out_channels # 下一层的输入通道数为上一层的输出通道数layers.append(nn.MaxPool2d(kernel_size=2, stride=2)) # 加入池化层return nn.Sequential(*layers)
二、VGG 网络
有了 VGG 块，我们可以很轻松地构造起 VGG 网络：将定义好的 VGG 块拼起来，最后加上全连接层即可。
由于各层的输入通道数和输出通道数是串联起来的，在定义 VGG 网络时我们实际上只需要传入每个 VGG 块的卷积层数和输出通道数即可。
代码实现如下：
def vgg(conv_arch): # 构造 VGG 网络conv_blks = []in_channels = 1 # 初始输入通道数# 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_channelsreturn nn.Sequential(*conv_blks, nn.Flatten(),# 全连接层部分# 原始输入经过5层汇聚层后，大小变为 7*7nn.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))
我们可以构造一个类似 Fashion-MNIST 数据集中图像的输入数据样本，来观察网络中各层的输出尺寸。
X = torch.randn(size=(1, 1, 224, 224))for blk in net:X = blk(X)print(blk.__class__.__name__, 'output shape:\t', X.shape)
各层输出结果如下。初始输入尺寸是 224 × \times × 224，经过 5 个 vgg 块中的最大汇聚层，尺寸缩小为 7 × \times × 7。
注意，输入的四个数字分别代表批量数、通道数、高度和宽度。
随后展平成向量，大小为 512$\times 7 7 7\times$7=25088，接着通过全连接层，最后输出对应于所有分类类别的 10 维向量。
Sequential output shape: torch.Size([1, 64, 112, 112])
Sequential output shape: torch.Size([1, 128, 56, 56])
Sequential output shape: torch.Size([1, 256, 28, 28])
Sequential output shape: torch.Size([1, 512, 14, 14])
Sequential output shape: torch.Size([1, 512, 7, 7])
Flatten output shape: torch.Size([1, 25088])
Linear output shape: torch.Size([1, 4096])
ReLU output shape: torch.Size([1, 4096])
Dropout output shape: torch.Size([1, 4096])
Linear output shape: torch.Size([1, 4096])
ReLU output shape: torch.Size([1, 4096])
Dropout output shape: torch.Size([1, 4096])
Linear output shape: torch.Size([1, 10])
训练模型
为减小计算量，加快训练速度，我们构建通道数较少的 VGG 网络，便足够用于训练 Fashion-MNIST 数据集了。
conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512)) # VGG架构ratio = 4 # 通道数减少的比例small_conv_arch = [(pair[0], pair[1] // ratio) for pair in conv_arch]net = vgg(small_conv_arch)
除了使用较高的学习率外（0.05），其余训练的代码和 AlexNet 一模一样。
另外这次的代码加入了计时。
训练的相关结果如下，可以发现效果是不错的，精度突破了 90%。不过这次运行时间比 AlexNet 长得多，而且这还只是缩小版的 VGG。
第10轮的训练损失为0.179
第10轮的训练精度为0.933
第10轮的测试集精度为0.918
486.4 examples/sec on cuda:0
总结一下：
- 不同的 VGG 模型可以通过每个 VGG 块中的卷积层数量和输出通道数量的差异来定义。
- 块的使用让网络的定义变得相当简洁，而且它可以帮助我们有效地进行复杂网络的设计。
- 在 VGG 论文中，作者发现，深层且窄（3$\times$3）的卷积比浅层而宽的卷积更为有效。
本次模型训练的代码见附件：
相关文章：
【深度学习】使用块的网络（VGG）
虽然 AlexNet 证明深层神经网络卓有成效，但它没有提供一个通用的模板来指导后续的研究人员设计新的网络。 也就是说尽管我知道了更深更大的网络更有效，但是不清楚怎么让它更深更大，从而起到一个更好的效果。 于是，研究人员开始从单…...
Python数据可视化 - Pyecharts绘图示例
文章目录 一、Pyecharts简介及安装1. Pyecharts简介2. 安装Pyecharts 二、准备数据三、饼图示例1. 初始化选项配置2. 饼图相关设置3. 全局配置项3.1 标题配置项3.2 图例配置项3.3 提示框配置项3.4 工具箱配置项3.5 视觉映射配置项 4. 系列配置项4.1 标签选项配置4.2 图元样式配…...
Day29
复习日 知识点回顾 类的装饰器装饰器思想的进一步理解：外部修改、动态类方法的定义：内部定义和外部定义 作业：复习类和函数的知识点，写下自己过去29天的学习心得，如对函数和类的理解，对python这门工具的理…...
Python列表全面解析：从入门到精通
文章目录 Python列表全面解析：从入门到精通一、列表基础1. 什么是列表？2. 列表特性总结表 二、列表的基本操作(基础)1. 访问元素2. 修改列表 三、列表的常用方法(基础)1. 添加元素的方法2. 删除元素的方法3. 查找和统计方法4. 排序和反转 四、列表的高级…...
Nacos数据写入流程
在 3 节点的 Nacos 集群中，数据写入流程和主节点（Leader）的角色基于 Nacos 的分布式一致性协议（通常使用 Raft 协议）来实现。以下以 Markdown 格式详细说明 3 节点 Nacos 集群的数据写入流程以及主节点的角色和确定方式…...
《P4551 最长异或路径》
题目描述 给定一棵 n 个点的带权树，结点下标从 1 开始到 n。寻找树中找两个结点，求最长的异或路径。 异或路径指的是指两个结点之间唯一路径上的所有边权的异或。 输入格式 第一行一个整数 n，表示点数。 接下来 n−1 行，给出…...
Ansible模块——文件属性查看，文件或目录创建和属性修改
ansible.builtin.stat 可以查看文件信息。 选项 类型 默认值 描述 pathstrnull 要检查的文件或目录的完整路径（必需）。 followboolfalse 如果是符号链接，是否跟随到目标路径上获取其状态。 get_attributesbooltrue 是否返回扩展属性&#…...
【图像生成大模型】Wan2.1：下一代开源大规模视频生成模型
Wan2.1：下一代开源大规模视频生成模型 引言Wan2.1 项目概述核心技术1. 3D 变分自编码器（Wan-VAE）2. 视频扩散 Transformer（Video Diffusion DiT）3. 数据处理与清洗 项目运行方式与执行步骤1. 环境准备2. 安装依赖3. 模…...
AGI大模型（25）：LangChain提示词模版
我们也可以创建prompt template, 并引入一些变量到prompt template中，这样在应用的时候更加灵活。 1 代码实现 # 我们也可以创建prompt template, 并引入一些变量到prompt template中，这样在应用的时候更加灵活 from langchain_core.prompts import ChatPromptTemplate from…...
mybatis中的resultMap的association及collectio的使用
目录 1.reusltmap的说明 2.association的使用 3.collection的使用 4.总结 1.reusltmap的说明 resultmap定义了数据库的结果映射到java对象的规则，resultmap包含4个属性： id: ResultMap 的唯一标识 type: 映射到的 Java 类型（全限定类名或…...
静态网站部署：如何通过GitHub免费部署一个静态网站
GitHub提供的免费静态网站托管服务可以无需担心昂贵的服务器费用和复杂的设置步骤，本篇文章中将一步步解如何通过GitHub免费部署一个静态网站，帮助大家将创意和作品快速展现给世界。 目录 了解基础情况 创建基础站点 在线调试站点 前端项目部署 部署…...
Android 手写签名功能详解：从原理到实践
Android 手写签名功能详解 1. 引言2. 手写签名核心实现：SignatureView 类3. 交互层实现：MainActivity 类4. 布局与配置5. 性能优化与扩展方向 1. 引言 在电子政务、金融服务等移动应用场景中，手写签名功能已成为提升用户体验与业务合规性的关…...
【iOS（swift）笔记-9】WKWebView无法访问网络
对于iOS 在info中添加App Transport Security Settings，然后在App Transport Security Settings里添加Allow Arbitrary Loadstrue 对于macOS 除了上面的操作，还需在项目信息的App Sandbox里有个Network打钩选项...
Adapter适配器模式
Adapter适配器模式是一种结构设计模式，用于解决接口不兼容的问题，通过适配器类，可以将一个类的接口转换为客户渴望的另一个接口，从而使原来无法协作的对象能够一起工作。 角色和职责： 目标接口（Target&…...
七、xlib窗口渲染
文章目录 1.渲染图片2.双缓冲3.混合图片4.渐变窗口 1.渲染图片 在上篇文章中的最后，我们使用libpng加载了一个png图片，并显示到窗口上，但是我们可以看到显示到窗口的图片周边有黑色的背景。原因是在我测试的操作系统下使用xlib创建的窗口默认…...
python中http.cookiejar和http.cookie的区别
在Python中，http.cookiejar和http.cookie（通常指http.cookies模块）是两个不同的模块，它们的主要区别如下： 1. 功能定位 http.cookiejar 用于管理HTTP客户端的Cookie，提供自动化的Cookie存储、发送和接收功…...
架构设计模式：构建健壮、可扩展的 Serverless 应用
架构设计模式：构建健壮、可扩展的 Serverless 应用 到目前为止，我们已经掌握了 Serverless 的基本概念，了解了 FaaS 和 BaaS 如何协同工作，学会了使用框架进行开发部署，并知道了如何监控和排查问题。现在，是时候从“能用”向“好用”迈进了。 仅仅将代码部署到 Lambda 函…...
2- PyTorch
文章目录 1. Overview2. 线性模型 1. Overview 在人的智能中，最经常做的事情是推理和预测，在机器学习中也是如此。我们在以往的算法课中，所接触的穷举、贪心、分治和动规等算法都是由人设计的，而在机器学习中，算法是由…...
MinIO：从入门到精通，解锁云原生存储的奥秘
一、引言：为什么 MinIO 正在重塑存储世界？ 在云计算和大数据时代，传统存储系统面临扩展性差、成本高、兼容性不足等挑战。MinIO 凭借其 S3 兼容性、分布式架构、高性能存储 等特性，成为企业构建现代化存储基础设施的首选。 本文…...
【LeetCode 热题100】739：每日温度（详细解析）（Go语言版）
🌡️ LeetCode 739：每日温度（详解 单调栈 多种思路对比） 📌 题目描述 给定一个整数数组 temperatures，表示每天的温度，返回一个数组 answer，其中 answer[i] 是指在第 i 天之后&am…...
Linux学习笔记|GCC编译指令基础|静动态库|makefile
一、GCC 编译指令基础 基本编译命令 gcc -o code code.c和gcc code.c -o code：这两条命令功能相同，都是使用 GCC 编译器将code.c源文件编译成名为code的可执行文件。-o选项用于指定输出文件名，选项位置在源文件前后不影响最终结果。 编译过程…...
【LeetCode 热题100】17：电话号码的字母组合（详细解析）（Go语言版）
☎️ LeetCode 17. 电话号码的字母组合（回溯 DFS 详解） 📌 题目描述 给定一个仅包含数字 2-9 的字符串，返回所有它能表示的字母组合。答案可以按任意顺序返回。 数字到字母的映射如下（与电话按键相同）…...
C++学习：六个月从基础到就业——C++17：std::optional/variant/any
C学习：六个月从基础到就业——C17：std::optional/variant/any 本文是我C学习之旅系列的第四十七篇技术文章，也是第三阶段"现代C特性"的第九篇，主要介绍C17引入的三个重要工具类型：std::optional、std::varia…...
Go语言中函数 vs 方法
函数（Function）：不属于任何类型，是全局可调用的。 方法（Method）：绑定在某个类型上的函数，调用时依赖于这个类型的值或指针。 一、函数（Function） func 函数…...
代码随想录算法训练营第六十五天| 图论10—卡码网94. 城市间货物运输 I，95. 城市间货物运输 II
被学校课程轰炸了一周，回过头发现训练营已经要结束了，抓紧时间补完。不过算法这边也很难，感觉每天都是勉强理解在干什么的状态。 94. 城市间货物运输 I 94. 城市间货物运输 I SPFA算法，也是Bellman_ford 队列优化算法 优化原理…...
TDengine 在新能源领域的价值
能源数据的定义 能源数据是指记录和描述能源产业各个方面的信息，包括能源生产、供应、消费、储备、价格、排放以及相关政策和技术的数据。这些数据可以通过各种途径收集和整理，如能源企业的统计报表、政府部门的调查和监测、国际组织的发布数据等。 能…...
浅谈Frida 检测与绕过
目录 ptrace 占位与进程名检测端口检测与 D-Bus 协议通信扫描 /proc 目录（maps、task、fd）定位 so 中的 SVC syscall内存动态释放代码 1. ptrace 占位与进程名检测 检测方式 遍历运行进程列表，检查是否存在 frida-server 或相关进程名&…...
WaterStamp —— 一个实用的网页水印生成器开发记
我正在参加CodeBuddy「首席试玩官」内容创作大赛，本文所使用的 CodeBuddy 免费下载链接：腾讯云代码助手 CodeBuddy - AI 时代的智能编程伙伴 最近，我和 CodeBuddy 一起完成了一个名为 WaterStamp 的网页水印生成器项目。这个小工具主要用于给…...
【MySQL】存储过程，存储函数，触发器
目录 准备工作 一. 存储过程 1.1.什么是存储过程 1.2.创建存储过程 1.3.创建只显示大于等于指定值的记录的存储过程 1.4.显示，删除存储过程 二. 存储函数 2.1.什么是存储函数 2.2.使用存储函数 2.2.1.使用存储函数之前 2.2.2.使用存储函数计算标准体重 …...
python打卡第29天
知识点回顾 类的装饰器装饰器思想的进一步理解：外部修改、动态类方法的定义：内部定义和外部定义 作业：复习类和函数的知识点，写下自己过去29天的学习心得，如对函数和类的理解，对python这门工具的理解等&…...
vim - v
在 Vim 中，使用 可视模式（Visual Mode） 可以选中文本并进行复制、剪切、粘贴等操作。以下是详细的使用方法： 1. 进入可视模式 命令功能v字符可视模式（按字符选择）V（大写）行可视模式…...
Linux 线程（上）
前言：大家早上中午晚上好！！今天来学习一下linux系统下所谓的线程吧！！！ 一、重新理解进程，什么是进程？ 1.1 图解 其中黑色虚线部分一整块就是进程，注意：一整…...
# 终端执行 java -jar example.jar 时（example.jar为项目jar包）报错：“没有主清单属性” 的解决方法
终端执行 java -jar example.jar 时（example.jar为项目jar包）报错：“没有主清单属性” 的解决方法 在Java中，一个JAR文件必须包含一个主清单属性（Main-Class属性）才能在命令行中直接运行。如果你在尝试运行…...
4：OpenCV—保存图像
将图像和视频保存到文件 在许多现实世界的计算机视觉应用中，需要保留图像和视频以供将来参考。最常见的持久化方法是将图像或视频保存到文件中。因此，本教程准备解释如何使用 OpenCV C将图像和视频保存到文件中。 将图像保存到文件 可以学习如何保存从…...
[C++面试] const相关面试题
1、非 const 的引用必须指向一个已存在的变量 int main() {int &a 20; // 错误const int &b 30; } 字面量 20 是临时值（右值），没有明确的内存地址。非常量引用（左值引用）不能直接绑定到右值（如…...
#Redis黑马点评#（六）Redis当中的消息队列
目录 Redis当中的消息队列 一 基于List 二 基于PubSub 三 基于Stream 单消费模式 消费者组 Redis当中的消息队列 消息队列，字面意思就是存放消息的队列。最简单的消息队列模型包括3个角色： 消息队列：存储和管理消息，也称为…...
Git基础原理和使用
Git 初识 一、版本管理痛点 在日常工作和学习中，我们经常遇到以下问题： - 通过不断复制文件来保存历史版本（如报告-v1、报告-最终版等） - 版本数量增多后无法清晰记住每个版本的修改内容 - 项目代码管理存在同样问题 二、版本控…...
Java程序员学AI（一）
一、前言 最近刷技术圈，满眼都是 GPT、DeepSeek、QWen 这些 AI 名词。看着同行们在群里聊 AI 写代码、做数据分析，我这个摸了 Java 老程序员突然慌了 —— 再不出手，怕是真要被时代落下了！ 作为一个 Java 死忠粉，学 …...
《Python星球日记》 第91天：端到端 LLM 应用（综合项目：医疗文档助手）
名人说：路漫漫其修远兮，吾将上下而求索。—— 屈原《离骚》 创作者：Code_流苏(CSDN)（一个喜欢古诗词和编程的Coder😊） 目录 一、项目概述与需求分析1. 项目背景2. 项目目标3. 技术栈概览二、数据准备与处理1. 文档收集策略2. 文本预处理流程3. 向量化与知识库构建三、模…...
目前主流的AI测试工具推荐
以下是目前备受关注的AI测试工具及平台，涵盖功能测试、视觉测试、性能测试及国产化解决方案等多个领域，结合其核心特性与适用场景进行综合推荐： 一、主流AI测试工具推荐 Testim 核心功能：基于AI的动态元素定位技术，…...
vscode优化使用体验篇（快捷键）
本文章持续更新中 最新更新时间为2025-5-18 1、方法查看方法 1.1当前标签跳到新标签页查看方法实现 按住ctrl 鼠标左键点击方法。 1.2使用分屏查看方法实现(左右分屏) 按住ctrl alt 鼠标左键点击方法。...
uniprot中PTM数据的下载
首先是PTM的介绍： 参考：https://en.wikipedia.org/wiki/Post-translational_modification 蛋白质的翻译后修饰（PTM）通过改变氨基酸残基的化学结构，显著影响其带电性质，从而调控蛋白质的功能、定位和相互作…...
【QGIS二次开发】地图编辑-04
系列目录： 【QGIS二次开发】地图显示与交互-01_qgis二次开发加载地图案例-CSDN博客 【QGIS二次开发】地图显示与交互-02_setlayerlabeling-CSDN博客 【QGIS二次开发】地图符号与色表-03-CSDN博客 4 地图编辑 4.1 添加点要素 功能演示： 运行程序后…...
Qt 信号和槽-核心知识点小结（11）
目录 小结表格索引 disconnect函数 lambda表达式 啥是耦合，啥是内聚 简介：这是Qt信号和槽的最后一篇文章，最主要的是总结该信号和槽的核心知识点。以及该核心知识点的文章索引（表格太长了，手机可能看不完整&#…...
React响应事件中onClick={handleClick} 的结尾有没有小括号的区别
你可以通过在组件中声明 事件处理 函数来响应事件： function MyButton() {function handleClick() {alert(You clicked me!);}return (<button onClick{handleClick}>点我</button>);} 注意，onClick{handleClick} 的结尾没有小括号&#x…...
React-Query使用react-testing-library进行测试
1.测试react-query首先我们必须得拥有queryClient，所以我们初始化queryClient，因为默认是重试三次，这意味着如果想测试错误的查询，测试可能会超时。所以可以在初始化时关闭 const createWrapper () > {const queryClient new…...
软件设计师CISC与RISC考点分析——求三连
一、考点分值占比与趋势分析（CISC与RISC） 综合知识分值统计表 年份考题数量分值分值占比考察重点2018111.33%指令特征对比2019111.33%控制器实现方式2020222.67%寄存器数量/流水线技术2021111.33%寻址方式对比2022222.67%指令复杂度/译码方式2023111.3…...
GO语言（一期）常用关键字总结
GO语言（主题一）常用关键字总结 我们这里列出一些go语言关键字，方便各位友友们检查一下自己的学习效果，也方便友友们学习查询。 break default func interface select case defer go map …...
Ubuntu搭建NFS服务器的方法
0 工具 Ubuntu 18.041 Ubuntu搭建NFS服务器的方法 在Ubuntu下搭建NFS（网络文件系统）服务器可以让我们像访问本地文件一样访问Ubuntu上的文件，例如可以把开发板的根文件系统放到NFS服务器目录下方便调试。 1.1 安装nfs-kernel-server&#…...
京东商品详情API接口开发指南（含Java/Python实现）
接口概述 京东开放平台提供了商品详情查询接口，开发者可以通过SKUID获取商品的详细信息，包括标题、价格、图片、促销信息等。该接口需要申请API权限和认证密钥。 点击获取key和secret 接口特点 支持批量查询（最多20个SKU）返回J…...