❶ vgg16 和vgg19的区别
训练配置:batchsize=128
caffe自有的imagenet with cuDNN模型快于googlenet with cuDNN
VGG16层不用cuDNN慢于caffe自有的imagenet with cuDNN模型
VGG19层不用cuDNN慢于caffe自有的imagenet with cuDNN模型
一、CAFFE 自带配置，使用cuDNN
Forward速度 : 220ms
Backward速度 :360ms
二、CAFFE 自带配置，不使用cuDNN
Forward速度 : 300ms
Backward速度 :410ms
三、GoogleNet，使用cuDNN
Forward速度 : 614ms
Backward速度 :1377ms
四、GoogleNet，不使用cuDNN
Forward速度 : 1145ms
Backward速度 :2009ms
五、VGG16层，使用cuDNN
Forward速度 : 3101ms
Backward速度 :8002ms
六、VGG19层，使用cuDNN
Forward速度 : 3972ms
Backward速度 :8540ms
回答不容易,希望能帮到您,满意请帮忙一下， !
❷ 用VGG19 预训练模型对一张图片进行卷积的时候，怎么获取这个图片的14*14*512的向量急急急
pool4~conv5_4都可以, 前提是输入得是224*224*3的
❸ 如何计算 vgg19的模型大小和计算量
你非要按照斜的计算，那么就只能用pmsap，satwe不但无法模拟斜板，对斜梁的计算假定也和实版际不符。 你这个东西权，如果跨度很大，就不应该按照平屋面简化计算了，建议至少用pmsap计算，或者用别的有限元复核。 如果只是个简单的小房子
❹ 自己用tensorflow训练一个基于CIFAR-10 数据集的VGG19的模型，并用这个模型，识别其他图片，该怎么做，
先在CIFAR-10 数据集上训练，在得到比较好的准确率的时候保存模型参数
修改VGG19 模型 最后一层全连接输版出个数（也就权是你要识别的新图片种类数）
加载CIFAR-10数据集上保存的模型参数（不包括最后一层全连接的参数）
在新数据集上训练
这个过程本质上就是一个迁移学习过程