VGGNET学习笔记

VGGNET全部使用了3*3的卷积核和2*2的池化核，通过不断加深网络结构来提升性能。从11层到19层都有详尽的性能测试。

从A到E的每一级网络加深，但参数量变化不大，因为参数量主要消耗在最后三个全连接层，但训练耗时部分还是卷积。

1*1的卷积的意义在于线性变换，没有发生降维。

两个2*2的卷积层串联相当于1个5*5的卷积层，3个3*3相当于1个7*7，但是参数量是后者的3*3*3/7*7=55%，而且3个3*3的卷积核拥有更多的非线性变换，

可以使用三次ReLU激活函数，使对特征的学习能力更强。

VGGNET训练时先训练A的网络，用得到的权重初始化后面复杂的模型。

作者在对比各级网络时总结出：

1.LRN层作用不大

2.越深的网络效果越好

3.1*1的卷积很有效，但没有3*3的卷积好，大一些的卷积核能学到更大的空间特征。