VGG网络

论文传送门：https://arxiv.org/pdf/1409.1556.pdf

VGG网络是十分经典的CNN网络模型，在特征提取和迁移学习任务中都经常被使用。其中使用最广泛的是VGG16和VGG19，分别代表网络层级为16层和19层。

VGG在文章《Very deep convolutional networks for large-scale image recognition》中提出，为了解决ImageNet大赛上1000类图像分类和定位问题，在网络深度不断加深的过程中，文章的实验表明，16层和19层在该任务上效果最好。

VGG分别夺得ImageNet Challenge 2014t的分类第二（第一是GoogleNet）和定位第一。VGG网络的命名是以牛津大学的Visual Geometry Group的名字缩写得到的。

VGG网络设计

关键点

1. 采用3x3卷积核，小卷积核
2. 卷积步长为1，不丢失信息

其它细节

1. 采用ReLU非线性激活函数
2. 5个最大池化层
3. 无归一化
4. 3层全连接层

采用3x3 layers的原因

1. 堆叠后的卷积层具有更大的感受野
2. 更加的非线性
3. 参数的数量减少

网络配置

在文章中作者共做了六组实验，网络层数从11怎加到19，六个网络结构的配置如下：
其中D和E为VGG16和VGG19的网络配置。

六个网络对应的参数数量（百万级）如下：

全连接层配置：

VGG的三层全连接层的配置和AlexNet的全连接层配置基本相同：

FC4096 - ReLU - Dropout05，（std=0.005,bias=0.1）
FC4096 - ReLU - Dropout05，（std=0.005,bias=0.1）
FC1000 - SoftMax，（std=0.005,bias=0.1）

总结

1. 加深网络深度提高网络的性能
2. 使用更小的3*3卷积核和更深的网络层数，拥有更少的参数并有更好的非线性变换能力。
3. 在最后三个阶段采用1*1卷积核，不影响输出维度，减少计算量。