VGG16模型训练自己数据集

什么是VGG16模型

VGG是由Simonyan 和Zisserman在文献《Very Deep Convolutional Networks for Large Scale Image Recognition》中提出卷积神经网络模型，其名称来源于作者所在的牛津大学视觉几何组(Visual Geometry Group)的缩写。
该模型参加2014年的 ImageNet图像分类与定位挑战赛，取得了优异成绩：在分类任务上排名第二，在定位任务上排名第一。这就是说VGG模型能够很好的适用于分类和定位任务。
可能大家会想，这样一个这么强的模型肯定很复杂吧？
其实一点也不复杂，它的结构如下图所示：

这是一个VGG被用到烂的图，但确实很好的反应了VGG的结构：
**
1、一张原始图片被resize到(224,224,3)。
2、conv1两次[3,3]卷积网络，输出的特征层为64，输出为(224,224,64)，再2X2最大池化，输出net为(112,112,64)。
3、conv2两次[3,3]卷积网络，输出的特征层为128，输出net为(112,112,128)，再2X2最大池化，输出net为(56,56,128)。
4、conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(56,56,256)，再2X2最大池化，输出net为(28,28,256)。
5、conv4三次[3,3]卷积网络，输出的特征层为256，输出net为(28,28,512)，再2X2最大池化，输出net为(14,14,512)。
6、conv5三次[3,3]卷积网络，输出的特征层为256，输出net为(14,14,512)，再2X2最大池化，输出net为(7,7,512)。
7、利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,4096)。共进行两次。
8、利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,1000)。
**
不通结构卷积网络配置平铺图（重点关注结构D即VGG16）：

在训练期间，ConvNets的输入是固定大小的224×224 RGB图像。 唯一预处理是从每个像素中减去在训练集上计算的平均RGB值，(eg:VGG16是：VGG_MEAN = tf.constant([123.68, 116.779, 103.939], dtype=tf.float32)）处理时候转换成了RGB→BGR格式。
图像通过一堆卷积（转换）层，使用具有非常小的感知域的滤波器(卷积核)： 3×3（这是捕捉左/右，上/下，中心概念的最小尺寸）。 在配置C的RGG16中，我们还使用1×1卷积滤波器，可以看作是输入通道的线性变换（后面是非线性）。
卷积步幅固定为1个像素; 卷积层输入的空间填充使得在卷积之后保持空间分辨率，即对于3×3个卷积层，填充是1个像素。 空间池由五个最大池组执行，这些层跟随一些转换。 图层（并非所有转换图层都跟随最大池）。 最大池化在2×2像素窗口上执行，步幅为2。

卷积层(在不同的体系结构中具有不同的深度)的stack之后是三个完全连接(FC)层:前两个层各有4096个通道，第三个层执行1000路ILSVRC分类，因此包含1000个通道(每个类一个)。最后一层是soft-max层。在所有网络中，完全连接层的配置是相同的。所有隐藏层都具有整流(ReLU)非线性特性。网络(除了一个)都不包含本地响应规范化(LRN)规范化，因为作者尝试了这种规范化不会提高ILSVRC数据集的性能，但会增加内存消耗和计算时间。

The convolutional layer parameters are denoted as “conv receptive field size - number of channels ”

vgg有五种模型:ABCDE，D就是VGG16，E就是VGG19。19层数的计算是conv层+FC。

卷积：conv：f=33，s=11，p=11；Maxpool: f=22，s=2*2，p=0

**卷积核：**是每stack层卷积核的个数3×3
**特征层数：**由首阶段64，逐层增一倍至512