keras—VGG19（一）

数据和模型 https://blog.csdn.net/u010986753/article/details/98526886

一、 VGG介绍

1.1 VGG19 结构图

  

'''
每一个块内包含若干卷积层和一个池化层。并且同一块内，卷积层的通道（channel）数是相同的，

block1中包含2个卷积层，每个卷积层用conv3-64表示,即卷积核为：3×3，通道数都是64,卷积核有64个,
    共有[输入通道3×卷积核（3 × 3）]× 卷积和通道64 = 1728个参数。
    共有[输入通道64×卷积核（3 × 3）]× 卷积和通道64 = 36864个参数。
    输入224×224×3，2卷积后224×224×64，池化输出：112×112×64
block2中包含2个卷积层，每个卷积层用conv3-128表示,即卷积核为：3×3，通道数都是128，
    共有[输入通道64×卷积核（3 × 3）]× 卷积和通道128 = 73728个参数。
    共有[输入通道128×卷积核（3 × 3）]× 卷积和通道128 = 147456个参数。
    输入112×112×64，2卷积后112×112×128，池化输出：56×56×128
block3中包含4个卷积层，每个卷积层用conv3-256表示,即卷积核为：3×3，通道数都是256，
    共有[输入通道128×卷积核（3 × 3）]× 卷积和通道256 = 294912个参数。
    共有[输入通道256×卷积核（3 × 3）]× 卷积和通道256 = 589824个参数。
    共有[输入通道256×卷积核（3 × 3）]× 卷积和通道256 = 589824个参数。
    共有[输入通道256×卷积核（3 × 3）]× 卷积和通道256 = 589824个参数。
    输入56×56×128，3卷积后56×56×256，池化输出：28×28×256
Block4中包含4个卷积层，每个卷积层用conv3-512表示,即卷积核为：3×3，通道数都是512，
    共有[输入通道256×卷积核（3 × 3）]× 卷积和通道512 = 1179648个参数。
    共有[输入通道512×卷积核（3 × 3）]× 卷积和通道512 = 2359296个参数。
    共有[输入通道512×卷积核（3 × 3）]× 卷积和通道512 = 2359296个参数。
    共有[输入通道512×卷积核（3 × 3）]× 卷积和通道512 = 2359296个参数。
    输入28×28×256，3卷积后28×28×512，池化输出：14×14×512
block5中包含4个卷积层，每个卷积层用conv3-512表示,即卷积核为：3×3，通道数都是512，
    共有[输入通道512×卷积核（3 × 3）]× 卷积和通道512 = 2359296个参数。
    共有[输入通道512×卷积核（3 × 3）]× 卷积和通道512 = 2359296个参数。
    共有[输入通道512×卷积核（3 × 3）]× 卷积和通道512 = 2359296个参数。
    共有[输入通道512×卷积核（3 × 3）]× 卷积和通道512 = 2359296个参数。
    输入14×14×512，3卷积后14×14×512，池化输出：7×7×512
'''

'''权重参数:所包含的权重数目很大，达到了惊人的138 357 544 个参数
全连接层的权重参数数目的方法为：前一层节点数×本层的节点数。
FC(1×1×4096)参数:7×7×512×4096=102760448，memory4096
FC(1×1×4096)参数:4096×4096=16777216，memory4096
FC(1×1×1000)参数：4096×1000=4096000，memory1000

'''
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

1.2 VGG16 和 VGG19 对比

  

二、 VGG-19 参数文件解析

2.1 分析模型文件

  总共有很多参数,我们只关心我们需要关注的,W和B在哪里就行了，注意这里还有一个mean(平均值),因为VGG使用了图像预处理方式是 input - mean,当然这种处理方式在现在看来不怎么好,但是现在我们用人家的模型,需要遵照人家的意思.

• 从下面的图看到存储的43个参数
• 注意里面的Relu是没有数据的,因为Relu就是一个函数
• 注意Pool的参数是固定的,因为大小为:[1,2,2,1],步长[1,2,2,1],这里可以自己写,也可以读取参数
• Weight Bias是存放在Relu Pool 中间的,而且两个值存在一起的.
• mean值查看 vgg[“normalization”][0][0][0][0][0]
• layers查看 data[‘layers’][0][i][0][0][0][0])

2.2 imagenet-vgg-verydeep-19

   imagenet-vgg-verydeep-19.mat 文件有500多兆。注意19只包含了卷积层，没有算池化、Relu和最后的FC-1000，而在下载的模型参数中这些层都有包含。

from scipy.io import loadmat
import os
import numpy as np
import scipy.misc

vgg = loadmat('CNN/keras/VGG19_h5/imagenet-vgg-verydeep-19.mat')
print('type(vgg)',type(vgg))
#先显示一下数据类型，发现是dict,type(vgg) <class 'dict'>
print('vgg.keys()',vgg.keys())
# vgg.keys() dict_keys(['__header__', '__version__', '__globals__', 'layers', 'classes', 'normalization'])

# 进入layers字段，我们要的权重和偏置参数应该就在这个字段下
layers = vgg['layers']

# 打印下layers发现输出一大堆括号，好复杂的样子：[[ array([[ (array([[ array([[[[ ,顶级array有两个[[
# 所以顶层是两维,每一个维数的元素是array,array内部还有维数
print(layers,type(layers))
#输出一下大小，发现是(1, 43)，存储的43个参数，说明虽然有两维,但是第一维是”虚的”,也就是只有一个元素
#根据模型可以知道,这43个元素其实就是对应模型的43层信息(conv1_1,relu,conv1_2…),Vgg-19没有包含Relu和Pool,那么看一层就足以,
#而且我们现在得到了一个有用的index,那就是layer,layers[layer]
print("layers.shape:",layers.shape)#layers.shape: (1, 43)
layer = layers[0]
print('layer',layer)
print("layer.shape:",layer.shape,type(layer))#layer.shape: (43,)
#输出的尾部有dtype=[('weights', 'O'), ('pad', 'O'), ('type', 'O'), ('name', 'O'), ('stride', 'O')])
#可以看出顶层的array有5个元素,分别是weight(含有bias), pad(填充元素,无用), type, name, stride信息,
#然后继续看一下shape信息
print("layer[0][0].shape:",layer[0][0].shape)#layer[0][0].shape: (1,)说明只有一个元素
print("layer[0][0][0].shape:",layer[0][0][0].shape)
#layer[0][0][0].shape: ()

print("len(layer[0][0][0]):",len(layer[0
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31