2024《基于VGG模型的照片评分机制分析综述》2900字.docxVIP

基于VGG模型的照片评分机制分析综述

目录

TOC\o1-2\h\u13473基于VGG模型的照片评分机制分析综述 1

296541.1PyTorch框架 1

194971.2VGG模型 1

133921.2.1VGG模型特点 2

203931.2.2VGG模型结构 2

196141.2.3VGG模型优点 4

187971.3基于VGG的图片分类机制 4

56041.1.1图像预处理 4

199721.1.2图片分类机制 5

1.1PyTorch框架

Torch作为一个经典的能够处理多维矩阵数据的张量（tensor）库，广泛应用于机器学习领域。但Torch语言采用Lua，国内用户不够熟悉，导致其在国内属于小众化，用户使用时相较于支持Python的Tensorflow来说不方便。

PyTorch作为由Facebook开源的神经网络基础框架，是torch的python版本，专门针对GPU加速的深度神经网络（DNN）编程，同时还能支持动态神经网络[12]。PyTorch追求最少的封装设计，在结构上尽量避免重复；遵循从tensor到variable(autograd)最后nn.Module三个由低到高的抽象层次，分别代表高维数组（张量）、自动求导（变量）和神经网络（层/模块），三个抽象层次之间联系紧密，可以同时修改和操作；PyTorch的灵活性高，但不以速度为代价，在许多评测中，相比TensorFlow和Keras等框架PyTorch的速度表现都更加优越；PyTorch是所有的框架中面向对象设计最优雅简洁的一个，其设计最符合人们的思维，它使用户尽可能地专注于实现自己的想法，用户操作过程中所思即所得，不需要考虑太多关于框架本身的束缚。

1.2VGG模型

VGGNet是2014年由牛津大学计算机视觉研究组（VisualGeometryGroup）和GoogleDeepMind公司的研究员一起研发出的的深度卷积神经网络，其主要研究了卷积神经网络的结构深度与其模型性能之间的关系。整体模型架构非常简洁，通过反复堆叠3*3的小型卷积核和2*2的最大池化层，成功地构筑了不同网络深度的卷积神经网络，证明了在一定程度上增加网络的深度能够影响网络最终的应用性能。与之前state-of-the-art的网络结构相比，VGGNet的错误率显著下降，获得了ILSVRC2014比赛分类项目的第2名和定位项目的第1名。同时由于VGGNet拓展性强，使其迁移到其他图片数据上的泛化性非常好，到目前为止，VGGNet依然经常被用来提取图像特征。因其官方网站上成功开源了VGGNet训练后的基础模型参数，提供了非常好的初始化权重，这些参数可用来在特定的图像分类任务上进行再次训练，因此被广泛应用于在卷积神经网络迁移学习中。

1.2.1VGG模型特点

1.结构简洁：整个卷积层结构只有3*3的卷积核，连续的卷积层后使用池化层隔开；

2.小卷积核和连续卷积层：连续的3*3卷积核增大感受野，减少参数量；

1.小池化核：相比AlexNet使用3*3大小的池化核，VGG则全部采用2*2大小的池化核；

4.通道数更多使特征图更宽：通道数的增加，可以提取出更多的有效信息；

5.层数更深：使用连续的小型卷积核代替大的卷积核，使网络结构深度更深，对边缘进行填充避免因卷积计算导致图像尺寸降低；

6.全连接转卷积：在网络测试阶段将训练阶段的三个全连接替换为三个卷积，将训练时的各个参数进行测试重用，使得测试得到的全卷积网络不受全连接限制，可以接收任意维度的宽或高图像作为待检测数据输入。

1.2.2VGG模型结构

VGG本质上是一个框架，目前共有6种网络配置，层数从浅到深分别为11层、13层、16层和19层。它并不具有固定的卷积层数，而是根据需要调整模块中层级结构数量，即调整卷积模块的卷积层数和卷积核大小，实现网络规模和性能间的平衡。网络共有5个卷积模块，每个卷积模块后面跟一个池化层，最后是3个全连接层，所有隐层的激活单元都采用RELU函数。

VGGNet宏观结构如图所示：

图3-1VGG网络宏观架构

图3-2ConvNet配置

以VGG16模型为例介绍ConvNet配置图[13]：

conv3-64：进行第三层卷积后将维度变成64，同样，conv3-128指的是第三层卷积后维度变成128；

input（224x224RGBimage）：输入图片大小为224*244的彩色图像，通道数为3，即224*224*3；

maxpool：最大池化，在vgg16结构中，池化层采用的是2*2的最大池化；

FC-4096：全连接层中有4096个节点，而FC-1000则表示该层的全连接层有100