TensorFlow VGG16 和 VGG19

这是一个基于 tensorflow-vgg16 和 Caffe to Tensorflow 的 TensorFlow 实现的 VGG16 和 VGG19。原始的 Caffe 实现可以在这里找到：VGG16 和 VGG19。

我们对 tensorflow-vgg16 的实现进行了修改，使用 NumPy 加载方式替代默认的 TensorFlow 模型加载方式，以加快初始化速度并减少整体内存占用。这种实现还允许进一步修改网络结构，例如移除全连接层或增加批处理大小。

要使用这些 VGG 网络，需要先下载 VGG16 NPY 或 VGG19 NPY 文件。

使用方法

使用以下代码构建 VGG 对象：

vgg = vgg19.Vgg19()
vgg.build(images)

或者

vgg = vgg16.Vgg16()
vgg.build(images)

其中 images 是一个形状为 [None, 224, 224, 3] 的张量。

小技巧：该张量可以是占位符、变量，甚至常量。

之后可以通过 vgg 对象访问所有的 VGG 层（张量），例如 vgg.conv1_1、vgg.conv1_2、vgg.pool5、vgg.prob 等。

test_vgg16.py 和 test_vgg19.py 包含了示例用法。

补充

这个库也被用于我的另一个 TensorFlow 图像风格迁移项目：stylenet。

更新 1：可训练的 VGG：

新增了一个可训练版本的 VGG19 vgg19_trainable。它支持从现有变量中继续训练，也支持从头开始训练。（但不包含训练器）

添加了一个非常简单的测试脚本 test_vgg19_trainable，演示了如何进行训练、如何关闭训练模式进行验证，以及如何保存模型。

为了保持原始 VGG 网络的简洁性，我们将新功能单独放在了一个文件中，而不是修改原有的文件。

更新 2：TensorFlow v1.0.0：

所有源代码已升级到 v1.0.0。

转换工作由我的另一个项目 tf0to1 完成。

tensorflow-vgg 快速上手指南

环境准备

• 系统要求：Linux, macOS 或 Windows。

• Python 版本：建议 Python 3.6+（兼容 TensorFlow 1.x 环境）。

• 核心依赖：

  • TensorFlow 1.0.0 或更高版本（本项目基于 TF 1.x 架构）。
  • NumPy。

• 前置模型文件： 在使用前，必须下载预训练的权重文件（.npy 格式）。由于官方链接位于 Mega.nz，国内访问可能较慢，建议寻找国内网盘镜像或通过代理下载。

  • VGG16 NPY
  • VGG19 NPY

  下载后，请将 .npy 文件放置在项目根目录或代码指定的路径下。

安装步骤

1. 克隆仓库

   git clone https://github.com/machrisaa/tensorflow-vgg.git
   cd tensorflow-vgg
   

2. 安装 Python 依赖 如果尚未安装 TensorFlow 和 NumPy，请执行以下命令（推荐使用国内镜像源加速）：

   pip install -r requirements.txt -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   注：若仓库中无 requirements.txt，请直接安装核心库：

   pip install tensorflow==1.15.0 numpy -i https://pypi.tuna.tsinghua.edu.cn/simple
   

   (注：TensorFlow 2.x 需使用兼容模式或降级至 1.x 以确保最佳兼容性)

3. 配置模型权重 确保已将上述“环境准备”中下载的 vgg16.npy 或 vgg19.npy 文件放入当前目录。

基本使用

本库支持快速构建 VGG16 或 VGG19 网络对象。以下是最简使用示例：

1. 导入并构建网络

import tensorflow as tf
import numpy as np
from vgg19 import Vgg19  # 或者 from vgg16 import Vgg16

# 初始化 VGG 对象
vgg = Vgg19()

# 定义输入图像张量
# 形状必须为 [None, 224, 224, 3]，可以是 placeholder, variable 或 constant
images = tf.placeholder(tf.float32, [None, 224, 224, 3])

# 构建网络
vgg.build(images)

2. 访问网络层

构建完成后，可通过 vgg 对象直接访问所有中间层张量：

# 示例：访问卷积层和池化层
conv1_1 = vgg.conv1_1
pool5 = vgg.pool5
prob = vgg.prob  # 输出概率层

3. 运行测试

仓库自带了测试脚本，可用于验证环境配置和模型加载是否正常：

# 测试 VGG16
python test_vgg16.py

# 测试 VGG19
python test_vgg19.py

进阶：可训练版本 (Trainable VGG)

如果需要微调网络或从头训练，可使用 vgg19_trainable 模块：

from vgg19_trainable import Vgg19Trainable

vgg_train = Vgg19Trainable()
vgg_train.build(images)

# 此时网络变量支持梯度更新，可用于风格迁移等任务