常用CNN網絡(AlexNet,GoogleNet,VGG,ResNet,DenseNet,inceptionV4)適合初學者

2021-02-13 機器學習AI算法工程


向AI轉型的程式設計師都關注了這個號👇👇👇

機器學習AI算法工程  公眾號： datayx

具體的可以運行的github代碼，可以參考如下連結：

AlexNet
    https://github.com/ZiliangWang0505/Alexnet_with_keras
    
GoogleNet
    https://github.com/pinae/GoogLeNet-Keras-Test
    
VGG
    https://github.com/geifmany/cifar-vgg
    
ResNet
    https://github.com/raghakot/keras-resnet
    
DenseNet
    https://github.com/titu1994/DenseNet
    
inceptionV4
    https://github.com/kentsommer/keras-inceptionV4
   


AI項目體驗地址 https://loveai.tech

具體的論文

    AlexNet: ImageNet Classification with Deep Convolutional Neural Networks
        https://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf
    
    GoogleNet: Going Deeper with Convolutions
        https://arxiv.org/pdf/1409.4842.pdf

    VGG: Very Deep Convolutional Networks for Large-Scale Image Recognition
        https://arxiv.org/pdf/1409.1556.pdf
        
    ResNet: Deep Residual Learning for Image Recognition
        https://arxiv.org/pdf/1512.03385.pdf
        
    DenseNet: Densely Connected Convolutional Networks
        https://arxiv.org/pdf/1608.06993.pdf
        
    inceptionV4: Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning
        https://arxiv.org/pdf/1602.07261.pdf
    
常見CNN網絡結構的詳解和代碼實現
    也有小夥伴已經總結出更詳細的版本，這個版本是簡單的，方便大家直接下載復現運用。
    https://blog.csdn.net/u012897374/article/details/79199935

閱讀過本文的人還看了以下：

分享《深度學習入門:基於Python的理論與實現》高清中文版PDF+原始碼

《21個項目玩轉深度學習：基於TensorFlow的實踐詳解》完整版PDF+附書代碼

《深度學習之pytorch》pdf+附書源碼

將機器學習模型部署為REST API

FashionAI服裝屬性標籤圖像識別Top1-5方案分享

重要開源！CNN-RNN-CTC 實現手寫漢字識別

yolo3 檢測出圖像中的不規則漢字

同樣是機器學習算法工程師，你的面試為什麼過不了？

前海徵信大數據算法：風險概率預測

【Keras】完整實現『交通標誌』分類、『票據』分類兩個項目，讓你掌握深度學習圖像分類

VGG16遷移學習，實現醫學圖像識別分類工程項目

特徵工程(一)

特徵工程(二) :文本數據的展開、過濾和分塊

特徵工程(三):特徵縮放,從詞袋到 TF-IDF

特徵工程(四): 類別特徵

特徵工程(五): PCA 降維

特徵工程(六): 非線性特徵提取和模型堆疊

特徵工程(七)：圖像特徵提取和深度學習

如何利用全新的決策樹集成級聯結構gcForest做特徵工程並打分？

Machine Learning Yearning 中文翻譯稿

螞蟻金服2018秋招-算法工程師（共四面）通過

全球AI挑戰-場景分類的比賽源碼(多模型融合)

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（列印收藏）

python+flask搭建CNN在線識別手寫中文網站

中科院Kaggle全球文本匹配競賽華人第1名團隊-深度學習與特徵工程

不斷更新資源

深度學習、機器學習、數據分析、python

 搜索公眾號添加： datayx  

長按圖片，識別二維碼，點關注

AI項目體驗

https://loveai.tech

相關焦點

  • VGGNet、ResNet、Inception和Xception圖像分類及對比
    Inception-v3 見論文「Rethinking the Inception Architecture for Computer Vision」；Inception-v4 見論文「Inception-ResNet
  • 五個很厲害的 CNN 架構
    因為這種統一架構十分輕巧，不少新人將之作為深度卷積神經網絡的簡單形式。在下面的文章中，我們將會學習這種最常用的網絡架構之一是如何從圖片中提取特徵的（提取圖像信息將之轉化為包含圖片重要信息的低維數組）= layers.Dense(1024, activation='relu')(flattened)    dropout = layers.Dropout(0.7)(dense)    out = layers.Dense(1000, activation='softmax')(dropout)    return outdef inception_net
  • CNN模型-ResNet、MobileNet、DenseNet、ShuffleNet、EfficientNet
    文章來源:https://medium.com/@CinnamonAITaiwan/cnn%E6%A8%A1%E5%9E%8B-resnet-mobilenet-densenet-shufflenet-efficientnet-5eba5c8df7e4CNN演進下圖為我們了展示了2018前常用CNN模型大小與Accuracy的比較
  • [深度學習] AlexNet,GoogLeNet,VGG,ResNet簡化版
    第2,4,5和三個全連接層神經元的偏置初始化為常數1，其它層初始化為0。為了避免過擬合，AlexNet使用數據增強和Dropout兩種方法。數據增強是在原始圖像上隨機採樣得到更多的數據，Dropout是每次隨機斷開部分神經元來實現的。激活函數用的是Relu，可以加速模型收斂，Relu可以避免梯度消失或者梯度爆炸。
  • ResNet, AlexNet, VGG, Inception: 理解各種各樣的CNN架構
    卷積神經網絡（CNN）在視覺識別任務上的表現令人稱奇。好的CNN網絡是帶有上百萬參數和許多隱含層的「龐然怪物」。事實上，一個不好的經驗規則是：網絡越深，效果越好。AlexNet，VGG，Inception和ResNet是最近一些流行的CNN網絡。為什麼這些網絡表現如此之好？它們是如何設計出來的？為什麼它們設計成那樣的結構？
  • Inception模型進化史:從GoogLeNet到Inception-ResNet
    ，這點Google在Inception-v4的paper中進行了說明。目前BN層已經成為了CNN網絡最常用的一種策略，簡單來說，就是對中間特徵進行歸一化。採用BN層後，一方面可以使用較大的學習速率，加快收斂速度，另外一方面，BN層具有正則化效應（雖然有一些對BN層的理論分析，但是仍有爭議）。BN層的原理如下所示：
  • DenseNet:比ResNet更優的CNN模型
    2. 網對於ImageNet數據集，圖片輸入大小為224*224，網絡結構採用包含4個DenseBlock的DenseNet-BC，其首先是一個stride=2的7x7卷積層（卷積核數為2K），然後是一個stride=2的3x3 MaxPooling層，後面才進入DenseBlock。ImageNet數據集所採用的網絡配置如表1所示：
  • pytorch 入門4-簡單圖片分類
    結合一個超級詳細的卷積神經網絡的解析：1.卷積神經網絡是一種帶有卷積結構的深度神經網絡，卷積結構可以減少深層網絡佔用的內存量，其三個關鍵的操作，其一是局部感受野，其二是權值共享，其三是pooling層，有效的減少了網絡的參數個數，緩解了模型的過擬合問題。
  • TensorFlowNews五大經典卷積神經網絡介紹:LeNet / AlexNet / GoogLeNet / VGGNet/
    另外，這個論文在卷積神經網絡的頂部使用平均池化（Average Pooling）而不是完全連接層（Fully Connected layers），從而消除了大量似乎並不重要的參數。 GoogLeNet 還有幾個後續版本，最近的 Inception-v4。
  • 通過簡單代碼理解卷積模塊:含Inception/ResNet/DenseNet/NASNet
    如果你在 GitHub 上尋找常用架構的實現，你會找到多得讓人吃驚的代碼。在實踐中，包含足夠多的注釋並用額外的參數來提升模型的能力是很好的做法，但這也會干擾我們對架構本質的理解。你的網絡越寬，則 3×3 卷積的成本就會越高。
  • 12 個 CNN 經典模型論文整理與 PyTorch 實現!
    CNN 模型（12 篇）(lenet) LeNet-5, convolutional neural networks論文地址：http://yann.lecun.com/exdb/lenet/(alexnet) ImageNet Classification
  • 實戰 | 基於深度學習模型VGG的圖像識別(附代碼)
    0])    conv3 = conv_block(conv2, 256, 3, [0.4, 0.4, 0])    conv4 = conv_block(conv3, 512, 3, [0.4, 0.4, 0])    conv5 = conv_block(conv4, 512, 3, [0.4, 0.4, 0])    drop = paddle.layer.dropout
  • 遷移學習人民幣面值識別(附源碼)-InceptionResNetV2
    殘差連接（Residual connections ）允許模型中進行 shortcut，也使得研究員能成功的訓練更深的神經網絡從而產生更好的性能。這也使得 Inception 塊的極度簡單化成為可能。例如，舊模型錯誤報告右圖中的狗是阿拉斯加雪橇犬，而新的 Inception-ResNet-v2 模型準確識別了兩張圖片中的狗的種類。