从代码学习深度学习 - 使用块的网络（VGG）PyTorch版

前言

深度学习是近年来人工智能领域的重要突破，而卷积神经网络（CNN）作为其核心技术之一，在图像分类、目标检测等领域展现了强大的能力。VGG（Visual Geometry Group）网络是CNN中的经典模型之一，以其模块化的“块”设计和深层结构而闻名。本篇博客将通过PyTorch实现一个简化的VGG网络，并结合代码逐步解析其构建、训练和可视化过程，帮助读者从代码层面理解深度学习的基本原理和实践方法。我们将使用Fashion-MNIST数据集进行实验，展示如何从零开始搭建并训练一个VGG模型。

本文的目标读者是对深度学习有基本了解、希望通过代码实践加深理解的初学者或中级开发者。以下是博客的完整内容，包括代码实现和详细说明。

一、VGG网络简介

VGG网络（Visual Geometry Group Network）是由牛津大学视觉几何组在2014年提出的深度卷积神经网络（CNN）模型，因其在ImageNet图像分类竞赛中的优异表现而广为人知。VGG的设计理念是通过堆叠多个小卷积核（通常为3×3）和池化层，构建一个深层网络，从而提取图像中的复杂特征。与之前的模型（如AlexNet）相比，VGG显著增加了网络深度（常见版本包括VGG-16和VGG-19，分别有16层和19层），并采用统一的模块化结构，使其易于理解和实现。

1.1 VGG的核心特点

1. 小卷积核：VGG使用3×3的小卷积核替代传统的大卷积核（如5×5或7×7）。两个3×3卷积核的堆叠可以达到5×5的感受野，而参数量更少，计算效率更高，同时增加了非线性（通过更多ReLU激活）。
2. 模块化设计：网络由多个“块”（block）组成，每个块包含若干卷积层和一个最大池化层。这种设计使得网络结构清晰，便于扩展或调整。
3. 深度增加：VGG通过加深网络层数（从11层到19层不等）提升性能，证明了深度对特征提取的重要性。
4. 全连接层：在卷积层之后，VGG使用多个全连接层（通常为4096、4096和1000神经元）进行分类，输出对应ImageNet的1000个类别。

1.2 VGG的典型结构

以下是VGG-16的结构示意图，展示了其卷积块和全连接层的组织方式：

上图中：

• 绿色方框表示卷积层（3×3卷积核，步幅1，padding=1），对应图中的“convolution+ReLU”部分（以立方体表示）。这些卷积层负责提取图像特征，padding=1确保特征图尺寸在卷积后保持不变。
• 红色方框表示最大池化层（2×2，步幅2），对应图中的“max pooling”部分（以红色立方体表示）。池化层将特征图尺寸减半（例如从224×224到112×112），同时保留重要特征。
• 蓝色部分为全连接层，最终输出分类结果，对应图中的“fully connected+ReLU”和“softmax”部分（以蓝色线条表示）。全连接层将卷积特征展平后进行分类，输出对应ImageNet的1000个类别。

VGG-16包含13个卷积层和3个全连接层，总计16层（池化层不计入层数）。每个卷积块的通道数逐渐增加（从64到512），而池化层将特征图尺寸逐步减半（从224×224到7×7）。

1.3 优点与局限性

优点：

• 结构简单，易于实现和理解。
• 小卷积核和深层设计提高了特征提取能力。
• 在多种视觉任务中表现出色，可作为预训练模型迁移学习。

局限性：

• 参数量巨大（VGG-16约有1.38亿个参数），训练和推理耗时。
• 深层网络可能导致梯度消失问题（尽管ReLU和适当初始化缓解了部分问题）。
• 对内存和计算资源要求较高，不适合资源受限的设备。

1.4 本文的实现目标

在本文中，我们将基于PyTorch实现一个简化的VGG网络，针对Fashion-MNIST数据集（28×28灰度图像，10个类别）进行调整。我们保留VGG的模块化思想，但适当减少层数和参数量，以适应较小规模的数据和计算资源。通过代码实践，读者可以深入理解VGG的设计原理及其在实际任务中的应用。

下一节将进入具体的代码实现部分，逐步搭建VGG网络并完成训练。

二、搭建VGG网络

2.1 数据准备

在开始构建VGG网络之前，我们需要准备训练和测试数据。这里使用Fashion-MNIST数据集，这是一个包含10类服装图像的灰度图像数据集，每个图像大小为28×28像素。以下是数据加载的代码：

import torchvision
import torchvision.transforms as transforms
from torch.utils import data
import multiprocessing

def get_dataloader_workers():
    """使用电脑支持的最大进程数来读取数据"""
    return multiprocessing.cpu_count()

def load_data_fashion_mnist(batch_size, resize=None):
    """
    下载Fashion-MNIST数据集，然后将其加载到内存中。
    
    参数:
        batch_size (int): 每个数据批次的大小。
        resize (int, 可选): 图像的目标尺寸。如果为 None，则不调整大小。
    
    返回:
        tuple: 包含训练 DataLoader 和测试 DataLoader 的元组。
    """
    # 定义变换管道
    trans = [transforms.ToTensor()]
    if resize:
        trans.insert(0, transforms.Resize(resize))
    trans = transforms.Compose(trans)
    
    # 加载 Fashion-MNIST 训练和测试数据集
    mnist_train = torchvision.datasets.FashionMNIST(
        root="./data",
        train=True,
        transform=trans,
        download=True
    )
    mnist_test = torchvision.datasets.FashionMNIST(
        root="./data",
        train=False,
        transform=trans,
        download=True
    )
    
    # 返回 DataLoader 对象
    return (
        data.DataLoader(
            mnist_train,
            batch_size,
            shuffle=True,
            num_workers=get_dataloader_workers()
        ),
        data.DataLoader(
            mnist_test,
            batch_size,
            shuffle=False,
            num_workers=get_dataloader_workers()
        )
    )

这段代码定义了load_data_fashion_mnist函数，用于加载Fashion-MNIST数据集并将其封装成PyTorch的DataLoader对象。transforms.ToTensor()将图像转换为张量格式，batch_size控制每个批次的数据量，shuffle=True确保训练数据随机打乱以提高模型泛化能力。num_workers通过多进程加速数据加载。

2.2 定义VGG块

VGG网络的核心思想是将网络分解为多个“块”（block），每个块包含若干卷积层和一个池化层。以下是VGG块的实现：

import torch
from torch import nn

def vgg_block(num_convs, in_channels, out_channels):
    layers = []                          # 初始化一个空列表，用于存储网络层
    for _ in range(num_convs):           # 循环 num_convs 次，构建卷积层
        layers.append(nn.Conv2d(         # 添加一个二维卷积层
            in_channels,                 # 输入通道数
            out_channels,                # 输出通道数
            kernel_size=3,               # 卷积核大小为 3x3
            padding=1))                  # 填充大小为 1，保持特征图尺寸
        layers.append(nn.ReLU())         # 添加 ReLU 激活函数
        in_channels = out_channels       # 更新输入通道数为输出通道数，用于下一次卷积
    layers.append(nn.MaxPool2d(          # 添加一个最大池化层
        kernel_size=2,                   # 池化核大小为 2x2
        stride=2))                       # 步幅为 2，缩小特征图尺寸
    return nn.Sequential(*layers)