VGGNet结构分析

VGG是Visual Geometry Group, Department of Engineering Science, University of Oxford的缩写。他们组参加ILSVRC 2014时候组名叫VGG，所以提交的那种网络结构也叫VGG，或者叫VGGNet。VGG和GoogleNet同在2014年参赛，图像分类任务中GoogLeNet第一，VGG第二，它们都是重要的网络结构。

VGG相应的论文“Very Deep Convolutional Networks for Large-Scale Image Recognition”，下载地址：https://arxiv.org/abs/1409.1556

VGG比较出名的是VGG-16和VGG-19，最常用的是VGG-16。各种VGG的网络结构如下：

VGG-16有16个卷积层或全连接层，包括五组卷积层和3个全连接层，即：16=2+2+3+3+3+3。这个结构应该牢记于心。

认真比较ResNet和VGG，你会发现ResNet的第一个卷积层的stride=2，因此在分辨率缩小相同倍数（32倍）的情况下，它不需要像VGG那样在最后一组卷积层后面跟一个stride=2的pooling层。

VGGNet的卷积层有一个显著的特点：特征图的空间分辨率单调递减，特征图的通道数单调递增。

这样做是合理的。对于卷积神经网络而言，输入图像的维度是HxWx3（彩色图）或者是HxWx1（灰度图），而最后的全连接层的输出是一个1x1xC的向量，C等于分类的类别数（例如ImageNet中的1000类）。如何从一个HxWx3或HxWx1的图像转换到1x1xC的向量呢？上文所说的VGGNet的特点就是答案：特征图的空间分辨率单调递减，特征图的通道数单调递增，使得输入图像在维度上流畅地转换到分类向量。用于相同ImageNet图像分类任务的AlexNet的通道数无此规律，VGGNet后续的GoogLeNet和Resnet均遵循此维度变化的规律。

VGG-16具体的feature map的维度如下图所示，黑色边框是卷积层的输出，红色边框是pooling层的输出，蓝色边框是全连接层，最后的猪肝色边框是soft-max层的输出：

上述VGG结构是用于ImageNet 1000类的图像分类数据集的，相应的VGG也有用于cifar数据集的网络。由于cifar数据集的分辨率只有32x32且类别只有10类，因此相应的VGG-cifar网络会更浅，同时全连接层的参数量大幅减少。下图是cifar数据样例：