V ERY D EEP C ONVOLUTIONAL N ETWORKS FOR L ARGE -S CALE I MAGE R ECOGNITION

VGGFace2是一个大规模的人脸识别数据集，包含9131个人的面部。 图像从Google图片搜索下载，在姿势，年龄，照明，种族和职业方面有很大差异。该数据集于2015年由牛津大学工程科学系视觉几何组发布，相关论文为Deep Face Recognition。

vgg-net的实现，tensorflow+python，网络的搭建过程。

VGG特征提取 从vgg19的最后一层提取特征。 其他可用网络（带Torchvision） 要求 Python3.6 参见requirements.txt 样本 pip3 install -r requirements.txt python3 extract_vgg_features.py

OpenCV3.4.5+opencv_contrib 解决在编译过程中出现C1083 Cannot open include file: 'vgg_generated_120.i': No such file or directory opencv_xfeatures2d的错误，从编译文件夹下的CMakeDownloadLog.txt文件里找到下载的路径，然后直接下载就可以了。之后放到opencv_contrib-3.4.5\modules\xfeatures2d\src，重新configure、generate。

简述VGG模型，说明其中的结构（描述模型的结构，哪一层是卷积、那一层是池化、那一层是全连接？），并使用VGG模型完成下面图像分类的实验(建议使用Python语言,Pytorch 框架)。图像分类数据集：CIFAR-10，由10个类的60000个32x32彩色图像组成，每个类有6000个图像；有50000个训练样本（训练集）和10000个测试样本（测试集） 分别使用数据集中训练集的1%、10%、50%、80%样本进行训练模型，使用测试样本进行测试，简述步骤并对比使用不同比例的训练样本对于训练结果的影响（即模型训练完成后，使用测试样本输入模型得到的准确率）。随着数据量的增大，观察每一次模型迭代（模型每完成一次迭代，即所有训练样本输入到模型中进行训练更新）所需的计算时间、内存消耗变化，并做比较。分析试验结果，回答下面问题： A． 说明你实验的硬件环境 B． 说明自己程序中使用的是哪种梯度下降算法（随机、批量、全部）？ C． 训练过程中你调整了哪些参数，谈谈你的调参过程和调参技巧 D． 当数据量逐渐变大时，你的训练测试过程有没遇到实质性困难？

VGG作为流行的几个模型之一,训练图形数据效果不错，在mnist数据集是常用的入门集数据，VGG层数非常多，如果严格按照规范来实现，并用来训练mnist数据集，会出现各种问题，如，经过16层卷积后，28*28*1的图片几乎无法进行。 先介绍下VGG ILSVRC 2014的第二名是Karen Simonyan和 Andrew Zisserman实现的卷积神经网络，现在称其为VGGNet。它主要的贡献是展示出网络的深度是算法优良性能的关键部分。 他们最好的网络包含了16个卷积/全连接层。网络的结构非常一致，从头到尾全部使用的是3×3的卷积和2×2的汇聚。他们的预训练模型是可以在网络上获得并在Ca

pytorch_fcn FCN的pytorch实施（VGG，ResNet）

视觉几何组 (VGG) - Matllab 代码 任何疑问请联系whatsapp - +91 9994444414 , josemebin@gmail.com

Keras基于VGG对五种图片类别识别的迁移学习