VGGNet

Alper Karaca03 mins

2014’de ImageNet ILSVRC (Büyük Ölçekli Görsel Tanıma Yarışması)’de sunuldu. Yarışmayı, GoogleLeNet modelinden sonra tamamlayarak ikinci oldu. VGG Group (Oxford) tarafından sunulmuştur. Ağın derinliğinin önemi üzerinde durulmuştur. Farklı sürümleri de bulunur. AlexNet mimarisinde kullanılan yüksek kernel boyutları azaltılmıştır. Sadece 3×3 filtre ve 2×2 lik havuz boyutları kullanılarak ağa basit kazandırılmış ve derinlik korunmuştur.

Mimarisi

TensorFlow ile VGG-16

# VGG-16
model = Sequential([
	Conv2D(filters=64, kernel_size=(3,3), padding="same", activation="relu"),
	Conv2D(filters=64, kernel_size=(3,3), padding="same", activation="relu"),
	MaxPooling2D((2, 2)),
	
	Conv2D(filters=128, kernel_size=(3,3), padding="same", activation="relu"),
	Conv2D(filters=128, kernel_size=(3,3), padding="same", activation="relu"),
	MaxPooling2D((2, 2)),
	
	Conv2D(filters=256, kernel_size=(3,3), padding="same", activation="relu"),
	Conv2D(filters=256, kernel_size=(3,3), padding="same", activation="relu"),
	Conv2D(filters=256, kernel_size=(3,3), padding="same", activation="relu"),
	MaxPooling2D((2, 2)),
	
	Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu"),
	Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu"),
	Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu"),
	MaxPooling2D((2, 2)),
	
	Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu"),
	Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu"),
	Conv2D(filters=512, kernel_size=(3,3), padding="same", activation="relu"),
	MaxPooling2D((2, 2)),
	
	Flatten(),
	Dense(4096, activation="relu"),
	Dense(4096, activation="relu"),
	Dense(1000, activation="softmax")					
])

Related News