VGG的网络架构

import tensorflow as tf

def vgg_block(num_conv,num_filters):
    #序列模型
    blk=tf.keras.models.Sequential()
    #遍历卷积层
    for _ in range(num_conv):
        #设置卷积层
        blk.add(tf.keras.layers.Conv2D(num_filters,kernel_size=3,padding='same',activation='relu'))
    #设置池化层
    blk.add(tf.keras.layers.MaxPool2D(pool_size=2,strides=2))
    return blk

def vgg(conv_arch):
    #序列模型
    net=tf.keras.models.Sequential()
    #生成卷积部分
    for (num_conv,num_filters) in conv_arch:
        net.add(vgg_block(num_conv,num_filters))
    #全连接层
    net.add(tf.keras.models.Sequential([
        #展平
        tf.keras.layers.Flatten(),
        #全连接层
        tf.keras.layers.Dense(4096,activation='relu'),
        #随机失活
        tf.keras.layers.Dropout(0.5),
        #全连接层
        tf.keras.layers.Dense(4096,activation='relu'),
        #随机失活
        tf.keras.layers.Dropout(0.5),
        #输出层
        tf.keras.layers.Dense(10,activation='softmax')
    ]))
    return net

#卷积层的参数
conv_arch=((2,64),(2,128),(3,256),(3,512),(3,512))

net=vgg(conv_arch)

x=tf.random.uniform((1,224,224,1))
y=net(x)
net.summary()

手写数字识别

数据读取

见alex net

模型编译

见alex net

模型训练

见alex net

模型评估

见alex net