本文详细介绍了VGGNet的结构和设计理念，包括3*3卷积核和2*2最大池化的堆叠，以及其在图像特征提取中的应用。通过多层卷积层的串联，VGGNet实现了深网络并减少了参数数量。文章还讨论了VGGNet的训练策略、预测方法、数据增强技术，并指出LRN层效果有限，1*1卷积不及3*3卷积。最后，文中比较了VGGNet与AlexNet的性能，表明更深的网络有助于模型收敛。
VGGNet探索了卷积神经网络的深度与其性能之间的关系，通过反复堆叠3*3的小型卷积核和2*2的最大池化层，VGGNet成功地构筑了16~19层的卷积神经网络。VGGNet的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3*3）和最大池化层（2*2）。
到目前为止，VGGNet依然经常被用来提取图像特征。VGGNet训练后的模型参数在其官网上开源了，可用来在domain specific的图像分类任务上进行再训练（相当于提供了非常好的初始化权重），因此被用在了很多地方。VGGNet的网络结构如下图所示：
在VGGNet中运用到的技巧：
- 经常出现多个完全一样的3*3的卷积层堆叠在一起的情况，这其实是非常有用的设计。例如2个3*3的卷积层串联相当于1个5*5的卷积层，即一个像素会跟周围5*5的像素产生关联，可以说感受野大小为5*5。而3个3*3的卷积层串联的效果相当于一个7*7的卷积层。但是3个3*3的卷积层拥有比1个7*7的卷积层更少的参数，只有后者的 3∗3∗37∗7=55 。最重要的是，3个3*3的卷积层拥有比一个7*7的卷积层更多的非线性变换，
最低0.47元/天 解锁文章
扫一扫
1853
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
