🍊作者简介：秃头小苏，致力于用最通俗的语言描述问题
🍊专栏推荐：深度学习网络原理与实战
🍊近期目标：写好专栏的每一篇文章
🍊支持小苏：点赞👍🏼、收藏⭐、留言📩
深度学习经典网络模型汇总2
其中VGG-16和VGG-19较为出色（16、19指网络层数），下面以VGG-16为例，对VGG网络进行详细的介绍。首先我们可以先来看一下VGG-16的整体结构，如下图：可以看出VGG-16和AlexNet也有类似之处（网络层数变深），都是一系列卷积操作之后接上池化，最后在连接一些全连接层。
下面将用下图来逐一介绍每层之间的转化，一共16层，分别如下：
输入尺寸：224*224*3
卷积层：13个
池化层：5个
全连接层：3个 （这里已经包括了输出层，最后一个全连接层也可以说是输出层，最后的SotMax层只是做个分类）
- 输入层：VGG-16的输入是224*224*3大小的彩色图片。
- 第一个卷积层：对大小为224*224*3的图片进行卷积，卷积核大小为3*3，步长s=1，padding=1，卷积核个数为64，经卷积后得到大小为224*224*64的特征图。
- 第二个卷积层：对大小为224*224*64的图片进行卷积，卷积核大小为3*3，步长s=1，padding=1，卷积核个数为64，经卷积后得到大小为224*224*64的特征图。【注意：上图中第一次、第二次卷积是放在一起的，因为第二次卷积相对于第一次卷积特征图的维度没有变化】
- 第一个池化层：输入维度为224*224*64，池化核大小为2*2，步长s=2,padding=0，经池化核得到大小为112*112*64的特征图。
- 第三个、第四个卷积层：输入维度为112*112*64的图片进行卷积，卷积核大小为3*3，步长s=1，padding=1，卷积核个数为128，经卷积后得到大小为112*112*128的特征图。【注意：和第一个、第二个卷积一样，第四个卷积后没有改变第三次卷积后特征图的维度，这里放在了一起进行书写】
- 第二个池化层：输入维度为112*112*128，池化核大小为2*2，步长s=2,padding=0，经池化核得到大小为56*56*128的特征图。
- 第五个、第六个、第七个卷积层：输入维度为56*56*128的图片进行卷积，卷积核大小为3*3，步长s=1，padding=1，卷积核个数为256，经卷积后得到大小为56*56*256的特征图。【同样的，第六次、第七次卷积没有改变第五次卷积后的特征图的大小，故将其放在了一起】
- 第三个池化层：输入维度为56*56*256，池化核大小为2*2，步长s=2,padding=0，经池化核得到大小为28*28*256的特征图。
- 第八个、第九个、第十个卷积层：输入维度为28*28*256的图片进行卷积，卷积核大小为3*3，步长s=1，padding=1，卷积核个数为512，经卷积后得到大小为28*28*512的特征图。
- 第四个池化层：输入维度为28*28*512，池化核大小为2*2，步长s=2,padding=0，经池化核得到大小为14*14*512的特征图。
- 第十一个、第十二个、第十三个卷积层：输入维度为14*14*512的图片进行卷积，卷积核大小为3*3，步长s=1，padding=1，卷积核个数为512，经卷积后得到大小为14*14*512的特征图。
- 第五个池化层输入维度为14*14*512，池化核大小为2*2，步长s=2,padding=0，经池化核得到大小为7*7*512的特征图。
- 第一个全连接层：输入的是7*7*512=25088个神经元、输出的是4096个神经元【可以看出这里的参数众多为：25088*4096=102760448个，一亿多，VGG的绝大多数参数都在这里】
- 第二个全连接层：输入的是4096个神经元，输出的是4096个神经元。
- 第三个全连接层：输入的是4096个神经元，输出的是1000个神经元。
VGG相较与AlexNet的改进如下：
- 主要的区别，更深，把网络层数加到了16-19层（不包括池化和softmax层），而AlexNet是8层结构。
- 将卷积层提升到卷积块的概念。卷积块有2~3个卷积层构成，使网络有更大感受野的同时能降低网络参数，同时多次使用ReLu激活函数有更多的线性变换，学习能力更强。
- 前面的Conv占用大量的memory，后面的FC占用大量的参数，最多的集中在第一个全连接层，使得最终参数多达138M个。
- 取消LRN，因为实际发现使用LRN，反而降低功效。