VGG16学习笔记

转载自：http://deanhan.com/2018/07/26/vgg16/

摘要

本文对图片分类任务中经典的深度学习模型VGG16进行了简要介绍，分析了其结构，并讨论了其优缺点。调用Keras中已有的VGG16模型测试其分类性能，结果表明VGG16对三幅测试图片均能正确分类。

前言

VGG是由Simonyan 和Zisserman在文献《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。

该模型参加2014年的 ImageNet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一。

结构

VGG中根据卷积核大小和卷积层数目的不同，可分为A，A-LRN,B,C,D,E共6个配置(ConvNet Configuration)，其中以D,E两种配置较为常用，分别称为VGG16和VGG19。

下图给出了VGG的六种结构配置：

上图中，每一列对应一种结构配置。例如，图中绿色部分即指明了VGG16所采用的结构。

我们针对VGG16进行具体分析发现，VGG16共包含：

13个卷积层（Convolutional Layer），分别用conv3-XXX表示
3个全连接层（Fully connected Layer）,分别用FC-XXXX表示
5个池化层（Pool layer）,分别用maxpool表示

其中，卷积层和全连接层具有权重系数，因此也被称为权重层，总数目为13+3=16，这即是

VGG16中16的来源。(池化层不涉及权重，因此不属于权重层，不被计数)。

特点

VGG16的突出特点是简单，体现在：

卷积层均采用相同的卷积核参数

卷积层均表示为conv3-XXX，其中conv3说明该卷积层采用的卷积核的尺寸(kernel size)是3，即宽（width）和高（height）均为3，3*3是很小的卷积核尺寸，结合其它参数（步幅stride=1，填充方式padding=same），这样就能够使得每一个卷积层(张量)与前一层（张量）保持相同的宽和高。XXX代表卷积层的通道数。
池化层均采用相同的池化核参数

池化层的参数均为2 $\times$
模型是由若干卷积层和池化层堆叠（stack）的方式构成，比较容易形成较深的网络结构（在2014年，16层已经被认为很深了）。

综合上述分析，可以概括VGG的优点为: Small filters, Deeper networks.

块结构

我们注意图1右侧，VGG16的卷积层和池化层可以划分为不同的块（Block），从前到后依次编号为Block1~block5。每一个块内包含若干卷积层和一个池化层。例如：Block4包含：

3个卷积层，conv3-512
1个池化层，maxpool

并且同一块内，卷积层的通道（channel）数是相同的，例如：

block2中包含2个卷积层，每个卷积层用conv3-128表示,即卷积核为：3x3x3，通道数都是128 $3 \times 3$
block3中包含3个卷积层，每个卷积层用conv3-256表示,即卷积核为：3x3x3，通道数都是256 $3 \times 3$

下面给出按照块划分的VGG16的结构图，可以结合图2进行理解：

VGG的输入图像是 224x224x3 $\times$

通道数翻倍，由64依次增加到128，再到256，直至512保持不变，不再翻倍
高和宽变减半，由 $224 \rightarrow 112\rightarrow 56\rightarrow 28\rightarrow 14\rightarrow 7$

权重参数

尽管VGG的结构简单，但是所包含的权重数目却很大，达到了惊人的139，357，544个参数。这些参数包括卷积核权重和全连接层权重。

例如，对于第一层卷积，由于输入图的通道数是3，网络必须学习大小为3x3，通道数为3的的卷积核，这样的卷积核有64个，因此总共有（3x3x3）x64 = 1728个参数

计算全连接层的权重参数数目的方法为：前一层节点数×本层的节点数前一层节点数×本层的节点数。因此，全连接层的参数分别为：

- 7x7x512x4096 = 1027,645,444
- 4096x4096 = 16,781,321
- 4096x1000 = 4096000

FeiFei Li在CS231的课件中给出了整个网络的全部参数的计算过程（不考虑偏置），如下图所示：

图中蓝色是计算权重参数数量的部分；红色是计算所需存储容量的部分。

VGG16具有如此之大的参数数目，可以预期它具有很高的拟合能力；但同时缺点也很明显：

即训练时间过长，调参难度大。
需要的存储容量大，不利于部署。例如存储VGG16权重值文件的大小为500多MB，不利于安装到嵌入式系统中。

实践

下面，我们应用Keras对VGG16的图像分类能力进行试验。

Keras是一个高层神经网络API,Keras由纯Python编写，是tensorflow和Theano等底层深度学习库的高级封装。使用Keras时，我们不需要直接调用底层API构建深度学习网络，仅调用keras已经封装好的函数即可。

本次试验平台：python 3.6 + tensorflow 1.8 + keras 2.2，Google Colab

源代码如下：

 1 # -*- coding: utf-8 -*-
 2 """
 3 Spyder Editor
 4 
 5 This is a temporary script file.
 6 """
 7 import matplotlib.pyplot as plt
 8 
 9 from keras.applications.vgg16 import VGG16
10 from keras.preprocessing import image
11 from keras.applications.vgg16 import preprocess_input, decode_predictions
12 import numpy as np
13 
14 def percent(value):
15     return '%.2f%%' % (value * 100)
16 
17 # include_top=True，表示會載入完整的 VGG16 模型，包括加在最後3層的卷積層
18 # include_top=False，表示會載入 VGG16 的模型，不包括加在最後3層的卷積層，通常是取得 Features
19 # 若下載失敗，請先刪除 c:\<使用者>\.keras\models\vgg16_weights_tf_dim_ordering_tf_kernels.h5
20 model = VGG16(weights='imagenet', include_top=True)
21 
22 
23 # Input：要辨識的影像
24 img_path = 'frog.jpg'
25 
26 #img_path = 'tiger.jpg' 并转化为224*224的标准尺寸
27 img = image.load_img(img_path, target_size=(224, 224))
28 
29 
30 x = image.img_to_array(img) #转化为浮点型
31 x = np.expand_dims(x, axis=0)#转化为张量size为(1, 224, 224, 3)
32 x = preprocess_input(x)
33 
34 # 預測，取得features，維度為 (1,1000)
35 features = model.predict(x)
36 
37 # 取得前五個最可能的類別及機率
38 pred=decode_predictions(features, top=5)[0]
39 
40 
41 #整理预测结果,value
42 values = []
43 bar_label = []
44 for element in pred:
45     values.append(element[2])
46     bar_label.append(element[1])
47 
48 #绘图并保存
49 fig=plt.figure(u"Top-5 预测结果")
50 ax = fig.add_subplot(111) 
51 ax.bar(range(len(values)), values, tick_label=bar_label, width=0.5, fc='g')
52 ax.set_ylabel(u'probability') 
53 ax.set_title(u'Top-5') 
54 for a,b in zip(range(len(values)), values):
55     ax.text(a, b+0.0005, percent(b), ha='center', va = 'bottom', fontsize=7)
56 
57 fig = plt.gcf()
58 plt.show()
59 
60 name=img_path[0:-4]+'_pred'
61 fig.savefig(name, dpi=200)

上述程序的基本流程是：

载入相关模块，keras ，matplotlib，numpy

下载已经训练好的模型文件：

导入测试图像

应用模型文件对图像分类

需要额外说明的是：

程序运行过程中，语句model = VGG16(weights='imagenet', include_top=True)会下载已经训练好的文件到c:\<使用者>\.keras\models文件夹下，模型的文件名为vgg16_weights_tf_dim_ordering_tf_kernels.h5,大小为527MB
语句pred=decode_predictions(features, top=5)[0]会下载分类信息文件到c:\<使用者>\.keras\models文件夹下，模型的文件名为imagenet_class_index.json,该文件指明了ImageNet大赛所用的1000个图像类的信息。（由于下载地址在aws上，梯子请自备）
程序运行结束，会在工作目录下生成测试图片的预测图，给出了最有可能的前5个类列。名称为：测试文件名_pred.png
在程序中还可以查看模型的结构，语句为：model.summary(),命令行输出模型的结构配置为：

 1 _________________________________________________________________
 2 Layer (type)                 Output Shape              Param #   
 3 =================================================================
 4 input_12 (InputLayer)        (None, 224, 224, 3)       0         
 5 _________________________________________________________________
 6 block1_conv1 (Conv2D)        (None, 224, 224, 64)      1792      
 7 _________________________________________________________________
 8 block1_conv2 (Conv2D)        (None, 224, 224, 64)      36928     
 9 _________________________________________________________________
10 block1_pool (MaxPooling2D)   (None, 112, 112, 64)      0         
11 _________________________________________________________________
12 block2_conv1 (Conv2D)        (None, 112, 112, 128)     73856     
13 _________________________________________________________________
14 block2_conv2 (Conv2D)        (None, 112, 112, 128)     147584    
15 _________________________________________________________________
16 block2_pool (MaxPooling2D)   (None, 56, 56, 128)       0         
17 _________________________________________________________________
18 block3_conv1 (Conv2D)        (None, 56, 56, 256)       295168    
19 _________________________________________________________________
20 block3_conv2 (Conv2D)        (None, 56, 56, 256)       590080    
21 _________________________________________________________________
22 block3_conv3 (Conv2D)        (None, 56, 56, 256)       590080    
23 _________________________________________________________________
24 block3_pool (MaxPooling2D)   (None, 28, 28, 256)       0         
25 _________________________________________________________________
26 block4_conv1 (Conv2D)        (None, 28, 28, 512)       1180160   
27 _________________________________________________________________
28 block4_conv2 (Conv2D)        (None, 28, 28, 512)       2359808   
29 _________________________________________________________________
30 block4_conv3 (Conv2D)        (None, 28, 28, 512)       2359808   
31 _________________________________________________________________
32 block4_pool (MaxPooling2D)   (None, 14, 14, 512)       0         
33 _________________________________________________________________
34 block5_conv1 (Conv2D)        (None, 14, 14, 512)       2359808   
35 _________________________________________________________________
36 block5_conv2 (Conv2D)        (None, 14, 14, 512)       2359808   
37 _________________________________________________________________
38 block5_conv3 (Conv2D)        (None, 14, 14, 512)       2359808   
39 _________________________________________________________________
40 block5_pool (MaxPooling2D)   (None, 7, 7, 512)         0         
41 _________________________________________________________________
42 flatten (Flatten)            (None, 25088)             0         
43 _________________________________________________________________
44 fc1 (Dense)                  (None, 4096)              102764544 
45 _________________________________________________________________
46 fc2 (Dense)                  (None, 4096)              16781312  
47 _________________________________________________________________
48 predictions (Dense)          (None, 1000)              4097000   
49 =================================================================
50 Total params: 138,357,544
51 Trainable params: 138,357,544
52 Non-trainable params: 0
53 _________________________________________________________________