Pytorch学习笔记(I)——预训练模型(五):VGG16网络结构
2019-05-21 09:21
253 查看
VGG( (features): Sequential( (0): Conv2d(3, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (1): ReLU(inplace) (2): Conv2d(64, 64, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (3): ReLU(inplace) (4): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (5): Conv2d(64, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (6): ReLU(inplace) (7): Conv2d(128, 128, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (8): ReLU(inplace) (9): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (10): Conv2d(128, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (11): ReLU(inplace) (12): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (13): ReLU(inplace) (14): Conv2d(256, 256, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (15): ReLU(inplace) (16): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (17): Conv2d(256, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (18): ReLU(inplace) (19): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (20): ReLU(inplace) (21): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (22): ReLU(inplace) (23): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) (24): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (25): ReLU(inplace) (26): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (27): ReLU(inplace) (28): Conv2d(512, 512, kernel_size=(3, 3), stride=(1, 1), padding=(1, 1)) (29): ReLU(inplace) (30): MaxPool2d(kernel_size=2, stride=2, padding=0, dilation=1, ceil_mode=False) ) (avgpool): AdaptiveAvgPool2d(output_size=(7, 7)) (classifier): Sequential( (0): Linear(in_features=25088, out_features=4096, bias=True) (1): ReLU(inplace) (2): Dropout(p=0.5) (3): Linear(in_features=4096, out_features=4096, bias=True) (4): ReLU(inplace) (5): Dropout(p=0.5) (6): Linear(in_features=4096, out_features=1000, bias=True) ) )
相关文章推荐
- Pytorch学习笔记(I)——预训练模型(六):VGG19网络结构
- 【深度学习】tensorflow加载VGG16的网络结构和模型参数
- Pytorch学习笔记(I)——预训练模型(七):ResNet18网络结构
- Pytorch学习笔记(I)——预训练模型(九):ResNet50网络结构
- Pytorch学习笔记(I)——预训练模型(十):ResNet101网络结构
- Pytorch学习笔记(I)——预训练模型(十一):ResNet152网络结构
- matconvnet环境下训练自己的数据集及模型测试-mnist网络结构-cifar10部分数据集
- 【神经网络】VGG、ResNet、GoogleLeNet、AlexNet等常用网络代码及预训练模型
- 全卷积神经网络 图像语义分割实验:FCN数据集制作,网络模型定义,网络训练(提供数据集和模型文件,以供参考)
- 预训练网络模型
- DeepMind提出训练网络新方法,快速找到最佳超参数和模型
- 全卷积神经网络 图像语义分割实验:FCN数据集制作,网络模型定义,网络训练(提供数据集和模型文件,以供参考)
- 深入浅出Tensorflow(三):训练神经网络模型的常用方法
- 网络模型压缩和优化:MobileNet V2网络结构理解
- Caffe学习系列——工具篇:神经网络模型结构可视化
- P5 计算机网络体系结构与参考模型 OSI七层结构
- OSI 网络结构的七层模型
- 使用TensorFlow训练循环神经网络语言模型
- 略讲基于cnn的人脸识别模型的网络结构和度量设计
- 深入浅出——网络模型中Inception的作用与结构全解析