第25個冬天

  VGG 這個名字來自牛津大學的 Visual Geometry Group。2014 年，Karen Simonyan 和 Andrew Zisserman 發表了這套架構，論文名稱是 Very Deep Convolutional Networks for Large-Scale Image Recognition。 這篇工作是以 ImageNet 大規模影像辨識任務為背景，核心問題很直接：如果在同樣類型的卷積網路設計下，只是把深度一路往上推，效果會不會更好？  當然論文的答案是肯定的，而且效果相當顯著。 VGG16 和 VGG19 是非常經典的一代。它們不是最省參數的模型，也不是今天速度最快的模型，但它們做了一件很重要的事：很有系統地證明「把網路加深」真的能讓影像辨識更好。 這個觀念，後來幾乎影響了整個 CNN 發展方向。 VGG 系列其實有好幾種配置，但最有名的是 VGG16 和 VGG19。這裡的 16、19，不是指總共只有 16 層或 19 層所有運算，而是指 有權重的層數（weight layers）。 VGG16：13 個卷積層 + 3 個全連接層 VGG19：16 個卷積層 + 3 個全連接層 主要就是 VGG19 比 VGG16 再更深一些。兩者都延續同一種設計哲學：結構很整齊、規則，更容易理解。 它把 CNN 設計簡化成一種很清楚的原則：反覆堆疊小型卷積核，然後逐步加深網路。只要用夠小、夠一致的 3×3 卷積，並把深度推上去，就能做出非常強的模型。 2014 年 ImageNet(ILSVRC 2014)，當年的 ImageNet 視覺辨識競賽，VGG 團隊在那一年的比賽中，拿下定位任務第 1 名，分類任務第 2 名。 雖然分類冠軍是 GoogLeNet，但 VGG 仍然成為整個電腦視覺領域最有代表性的里程碑之一。 下方是Colab上實測VGG19的辨識結果

  TensorFlow 是為了能輕鬆實現深度學習與機器學習演算法而開發的函式庫。因此，在任何可以使用機器學習、深度學習的領域，都可以使用 TensorFlow。深度學習演算法的優點在於其通用性，能廣泛應用於多種不同領域。 雖然僅使用 TensorFlow 函式庫也能編寫深度學習程式碼，但為了能更輕鬆地實現深度學習演算法，存在許多將 TensorFlow 函式庫進階抽象化 Abstraction 的多樣化高階 High-Level 函式庫。利用這些函式庫，可以比直接使用 TensorFlow 以更簡潔的程式碼實現深度學習演算法。 Keras 這是由 François Chollet 建立的深度學習抽象化函式庫。除了 TensorFlow 之外，還支援 CNTK、Theano、MXNet 等其他深度學習函式庫。 Keras 是深度學習抽象化函式庫中擁有最多使用者群體的。憑藉這種人氣，Google 將 Keras 的創始人 François Chollet 招募進公司，並將 Keras 合併到 TensorFlow 的主程式碼庫中。因此，可以混合使用 TensorFlow 函式庫與 Keras 函式庫來編寫程式碼。 Tensorflow1.x conda create -n tf1 python=3.7 -y conda activate tf1 pip install --upgrade pip pip install tensorflow==1.15.5 pip install "protobuf<3.20" python -m pip install notebook ipykernel python -m ipykernel install --user --name tf1 --display-name "Python (tf1)" jupyter notebook --notebook-dir="E:\PyProjects\TF1_Project" pip install tensorflow-gpu==1.15 如果想要安裝 GPU 版本，早期教學影片、文件會跟你說必須先安裝 CUDA 和 cuDNN*，然後可以使用以下指令安裝 TensorFlow GPU 版本： pip install ...