VGGNet简单学习

VGGNet由牛津大学视觉几何组（Visual Geometry Group）和 DeepMind 公司提出，VGGNet经常被用来提取图像特征。其突出贡献在于证明使用3x3卷积，增加网络深度可以在一定程度上增强模型效果，而且对其他数据集具有很好的泛化能力。
VGGNet探索了CNN的深度及其性能之间的关系，笔者推荐像笔者一样的新手朋友们可以观看B站的李宏毅讲解卷积神经网络（带字幕）
进行学习，这个老师讲的很通俗易懂！
下面进入正题：

VGG各级别网络图

如图所示VGGNetA、A-LRN、B、C、D、E一共有六种不同的网络结构，这6种网络都是由5层卷积层、3层全连接层组成，其中区别在于每个卷积层的子层数量不同，从A至E依次增加（子层数量从1到4），总的网络深度从11层到19层（添加的层以粗体显示）。表格中的卷积层参数表示为“conv⟨感受野大小⟩-通道数⟩”，例如con3-128，表示使用3x3的卷积核，通道数为128。其中，网络结构D就是著名的VGG16，网络结构E就是著名的VGG19。想学习具体层处理过程建议观看开头推荐视频。

VGGNET的特点

1、结构简洁
VGG结构由5层卷积层、3层全连接层、softmax输出层构成，层与层之间使用max-pooling（最大池化）分开，所有隐层的激活单元都采用ReLU函数。

2、VGGNET全部使用3x3的卷积核和2x2的池化核，不断加深网络深度以此提升性能。作者认为，两个3x3卷积层的串联相当于1个5x5的卷积层，3个3x3的卷积层串联相当于1个7x7的卷积层，即3个3x3卷积层的感受野大小相当于1个7x7的卷积层。那VGG为什么要用3x3卷积层呢？这是因为3个3x3的卷积层参数量只有7x7的一半左右，并且有3个非线性操作可以增加网络的拟合/表达能力，而7x7只有1个非线性操作，这样使得前者对于特征的学习能力更强。

3、通道数多
VGG网络第一层的通道数为64，后面每层都逐步乘以2，最多到512个通道，通道数的增加，使得更多的信息可以被提取出来。即：特征图的通道数单调递增。

4、层数更深、特征图更宽
由于卷积核专注于扩大通道数、池化专注于缩小宽和高，使得模型架构上更深更宽的同时，控制了计算量的增加规模。 注：特征图的空间分辨率单调递减

代码实现

推荐一篇笔者觉得注释很清晰的博客文章供大家参考深度学习VGG代码实现