VGG网络入门及感受野的计算

一、基本介绍

VGG网络是一种经典的卷积神经网络模型，其特点在于使用小卷积核替代大卷积核，并通过设计不同层的卷积次数来形成不同的VGG结构。这种设计是对利用小卷积核不断加深网络的一次尝试。VGG网络在图像识别、目标检测、机器人等众多领域有着广泛的应用。

二、网络中的亮点

通过堆叠多个小卷积核来代替大卷积核。因为他们具有相同的感受野。

比如：通过堆叠两个 3 x 3 的卷积核替代 5 x 5 的卷积核

           通过堆叠三个 3 x 3 的卷积核替代 7 x 7 的卷积核

VGG网络主要由5个阶段（stage）的主干特征提取网络堆叠而成，每个阶段之间通过最大池化（maxpool）进行下采样连接，从而增加通道数并降低特征图分辨率。

每个阶段的卷积模块的堆叠数目不同，因此形成了多种不同的VGG网络结构，如VGG16和VGG19。VGG16包含13个卷积层和3个全连接层，而VGG19则包含16个卷积层和3个全连接层。

（ps：VGG16 是最常用的神经网络） 

三、感受野的计算 

认识感受野 

VGG感受野的计算公式

                                F(i) = (F(i+1) - 1) × stride + Ksize，

其中F(i)表示第i层的感受野，

F(i+1)表示上一层的感受野，

stride表示第i层的步距，

Ksize表示卷积核或池化核的尺寸.

下图举例说明： 

 

感受 通过堆叠三个 3 x 3 的卷积核替代 7 x 7 的卷积核

 比较两种所需参数的不同

通过计算参数量，能明显的感受到所需参数的差别。 

四、整个网络