VGGNet

1 网络结构：
以224*224输入图片为例：

感觉VGGNet就是加深版的AlexNet，都是卷积与池化的叠加，最后再加两层全连接，然后softmax输出。VGGNet有5段卷积，每段卷积由2~3个卷积层后加一个最大池化组成。卷积核的数量也随着层数的增加而增多。VGGNet也沿用了AlexNet数据增强的方法（Multi-Scale）防止模型过拟合。
相较与AleNet,VGGNet最大的改进或者说区别就是用小size的Filter代替大size的Filter。比如，在VGGNet中，下面这种结构很常见，就是会用两个3*3的卷积核代替一个5*5的卷积核，

为什么这样呢？这样训练的好处有：
①需要训练的参数减少。如果卷积层C2的卷积核数量是N，上一层C1卷积核数量是M，则用一个5*5 size的卷积核实现该层卷积的参数数量是：5*5*N*M=25N*M；如果用两个3*3 size大小的卷积核代替一个5*5 size大小的卷积核，此时的参数数量是：(3*3*2)*N*M=18N*M。
②增加非线性变换的次数，增加了CNN对特征的学习能力。一个5*5的卷积核，经过一次卷积，则只进行一次非线性变换，而两个3*3的卷积核，则经过两次非线性变换。
2 成绩：
2014年亚军，错误率7.3%左右。
3 新技术点：
①LRN层作用不大，还耗时，抛弃。
②网络越深，效果越好。
③卷积核用较小的卷积核，比如3*3。
VGGNet模型虽然比Alexnet模型层数多，每轮训练的时间会比Alexnet长许多，但是因为更深的网络和更小的卷积核带来的隐式正则化结果，需要的收敛的迭代次数较少许多。