❶ vgg16 和vgg19的區別
訓練配置:batchsize=128
caffe自有的imagenet with cuDNN模型快於googlenet with cuDNN
VGG16層不用cuDNN慢於caffe自有的imagenet with cuDNN模型
VGG19層不用cuDNN慢於caffe自有的imagenet with cuDNN模型
一、CAFFE 自帶配置，使用cuDNN
Forward速度 : 220ms
Backward速度 :360ms
二、CAFFE 自帶配置，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層，使用cuDNN
Forward速度 : 3101ms
Backward速度 :8002ms
六、VGG19層，使用cuDNN
Forward速度 : 3972ms
Backward速度 :8540ms
回答不容易,希望能幫到您,滿意請幫忙一下， !
❷ 用VGG19 預訓練模型對一張圖片進行卷積的時候，怎麼獲取這個圖片的14*14*512的向量急急急
pool4~conv5_4都可以, 前提是輸入得是224*224*3的
❸ 如何計算 vgg19的模型大小和計算量
你非要按照斜的計算，那麼就只能用pmsap，satwe不但無法模擬斜板，對斜梁的計算假定也和實版際不符。 你這個東西權，如果跨度很大，就不應該按照平屋面簡化計算了，建議至少用pmsap計算，或者用別的有限元復核。 如果只是個簡單的小房子
❹ 自己用tensorflow訓練一個基於CIFAR-10 數據集的VGG19的模型，並用這個模型，識別其他圖片，該怎麼做，
先在CIFAR-10 數據集上訓練，在得到比較好的准確率的時候保存模型參數
修改VGG19 模型 最後一層全連接輸版出個數（也就權是你要識別的新圖片種類數）
載入CIFAR-10數據集上保存的模型參數（不包括最後一層全連接的參數）
在新數據集上訓練
這個過程本質上就是一個遷移學習過程