对VGG的理解认知

VGG的出现在AlexNet之后，VGGNet探索了卷积神经网络的深度与性能的关系，它的特点是反复使用3×3的卷积核与2×2的卷积核，增加了网络的深度，网络的深度再16至19层，并且泛化能力强。

VGG网络结构：

从A至E网络的深度不断增加。

VGGNet结构的分析：
从表中可以看出，VGG有5段，每段有2或3个卷积层，并且连接一个最大池化层，在同一段中的卷积核数量是一样的，但越深数量越多。

VGG的特点：
（1）VGG把两个3×3的卷积层堆叠来代替一个5×5的卷积层，或者三个3×3的卷积层堆叠来代替一个7×7的卷积层，这样的好处就是明显减少了参数的数量，比如两个3×3的卷积层参数为2×3×3=18，而一个5×5的卷积层参数为25，同理比较3个3×3和一个7×7。
（2）在训练时VGG也有个特点，就是先训练A，因为A的网络最浅，然后用训练A得到的结果去训练后面的更深的网络。所以它的收敛速度快。
（3）对于训练尺寸S的设置也提到了两个方法，第一种是固定S，对应与单尺度训练，第二种是对应于多尺度训练，将图片缩放到不同尺寸，然后随即裁剪为224×224的图像，这增加了数据量，将这些数据都一起进行训练，防止过拟合。
（4）训练时使用了4快Geforce GTX Titan GPU并行计算，减少了大量的时间。
（5）测试时，将第一个全连接层（FC层）转化到7×7的卷积层，后两个FC转化为1×1的卷积层，得到多个输出，进行平均（和池）操作，并且将图像进行水平翻转，增加测试集，对原始和翻转后的结果进行平均计算，得出结果。

上周看了AlexNet的论文，那么与AlexNet比较，VGGNet的特点就是每层有多个卷积核，而AlexNet只有一个卷积核，并且VGGNet的卷积核较小，基本使用的是3×3，而AlexNet的卷积核偏大。

对于卷积核大小的看法：卷积核小，参数就小，减小了计算复杂程度，使用几个小的卷积核，就可以使用更多的激活函数，使卷积神经网络对特征的学习能力更强

从VGGNet和AlexNet的结构比较也可以看出，神经网络越深，越“瘦”，效果就越好。

参考：
https://blog.csdn.net/chunfengyanyulove/article/details/79089608
https://blog.csdn.net/duanmuji/article/details/83347707
https://www.jianshu.com/p/c8f896dc3fe5