本文主要是介绍深度学习_经典网络_VGGNet，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
一.模型介绍
VGGNet是由牛津大学视觉几何小组（Visual Geometry Group，VGG）提出的一种深度卷积网络结构，他们以7.32%的错误率赢得了2014年ILSVRC分类任务的亚军（冠军由GoogleNet以6.65%的错误率夺得）和25.32%的错误率夺得定位任务（Localization）的第一名，网络名称VGGNet取自该小组名缩写。
VGGNet是首批把图像分类的错误率降到10%以内的模型，同时该网络采用的3*3卷积核的思想是后来许多模型的基础。该模型对深度学习的发展有很大的推动作用，也很值得我们去深入学习。
VGG论文地址
二.模型结构
原论文中的VGGNet包含了6个版本的演进，分别是VGG11、VGG11-LRN、VGG13、VGG16-1、VGG16-3和VGG19，不同的后缀值表示不同的网络层数。
其中VGG11-LRN表示在第一层中采用了LRN的VGG11，VGG16-1表示后三组卷积块中最后一层卷积采用卷积核尺寸为1 * 1，而VGG16-3表示卷积核尺寸为3 * 3。
我们介绍的VGG16为VGG16-3。图1中的VGG16体现了VGGNet的核心思路，使用3 * 3的卷积组合代替大尺寸的卷积：2个3 * 3卷积即可与5 * 5卷积拥有相同的感受野。
下面我们列出VGG16网络参数配置：
| 网络层；输入尺寸；核尺寸 | 输出尺寸；参数个数 |
|---|---|
| 卷积层C11；224 * 224 * 3；3 * 3 * 64/1 | 224 * 224 * 64；（3 * 3 * 3+1）*64 |
| 卷积层C12；224 * 224 * 64；3 * 3 * 64/1 | 224 * 224 * 64；（3 * 3 * 64+1）*64 |
| 下采样层Smax1；224 * 224 * 64；2 * 2/2 | 112 * 112 * 128；（0） |
| 卷积层C21；112 * 112 * 64；3 * 3 * 128 | 112 * 112 * 128；（3 * 3 * 64+1）*128 |
| 卷积层C22；112 * 112 * 128；3 * 3 * 128/1 | 112 * 112 * 128；（3 * 3 * 128+1）*128 |
| 下采样层Smax2；112 * 112 * 128；2 * 2/2 | 56 * 56 * 128；（0） |
| 卷积层C31；56 * 56 * 128；3 * 3 * 256/1 | 56 * 56 * 256；（3 * 3 * 128+1）*256 |
| 卷积层C32；56 * 56 * 256；3 * 3 * 256/1 | 56 * 56 * 256；（3 * 3 * 256+1）*256 |
| 卷积层C33；56 * 56 * 256 ；3 * 3 * 256/1 | 56 * 56 * 256；（3 * 3 * 256+1）*256 |
| 下采样层Smax3；56 * 56 * 256；2 * 2/2 | 28 * 28 * 256；（0） |
| 卷积层C41；28 * 28 * 256；3 * 3 * 512/1 | 28 * 28 * 512；（3 * 3 * 256+1）*512 |
| 卷积层C42；28 * 28 * 512；3 * 3 * 512/1 | 28 * 28 * 512；（3 * 3 * 512+1）*512 |
| 卷积层C43；28 * 28 * 512；3 * 3 * 512/1 | 28 * 28 * 512；（3 * 3 * 512+1）*512 |
| 下采样层Smax4；28 * 28 * 512；2 * 2/2 | 14 * 14 * 512；（0） |
| 卷积层C51；14 * 14 * 512；3 * 3 * 512/1 | 14 * 14 * 512；（3 * 3 * 512+1）*512 |
| 卷积层C52；14 * 14 * 512；3 * 3 * 512/1 | 14 * 14 * 512；（3 * 3 * 512+1）*512 |
| 卷积层C53；14 * 14 * 512；3 * 3 * 512/1 | 14 * 14 * 512；（3 * 3 * 512+1）*512 |
| 下采样层Smax5；14 * 14 * 512；2 * 2/2 | 7 * 7 * 512；（0） |
| 全连接层FC1；7 * 7 * 512；7 * 7 *4096 | 1 * 4096；（7 * 7 * 512+1）*4096 |
| 全连接层FC2；1 * 4096；4096 * 4096 | 1 * 4096；（4096+1）*4096 |
| 全连接层FC3；1 * 4096；4096 * 1000 | 1 * 1000；（4096+1）*1000 |
三.模型特点
- 整个网络都使用了同样大小的卷积核尺寸3 * 3和最大池化尺寸2 * 2.
- 1*1卷积的意义在于线性变换，而输入通道数和输出通道数不变，没有发生降维。
- 两个3 * 3的卷积串联相当于1个5 * 5的卷积层，感受野大小为5 * 5。同样的，3个3 * 3的卷积层串联的效果则相当于1个7 * 7的卷积层。这样的连接方式使得网络的参数量更少，而且多层的激活函数（前者可以使用三次ReLU激活函数，而后者只有一次）令网络对特征的学习能力更强。
- VGGNet在训练时有一个小技巧，先训练浅层的简单网络VGG11，再复用VGG11的权重来初始化VGG13，如此反复训练并初始化VGG19，能够使训练时收敛的速度更快。
- 在训练的过程中使用多尺度的变换对原始数据做数据增强，使得模型不易过拟合。
这篇关于深度学习_经典网络_VGGNet的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
