【深度学习】经典神经网络 VGG 论文解读

VGG 在深度学习领域中非常有名，很多人 fine-tune 的时候都是下载 VGG 的预训练过的权重模型，然后在次基础上进行迁移学习。VGG 是 ImageNet 2014 年目标定位竞赛的第一名，图像分类竞赛的第二名，需要注意的是，图像分类竞赛的第一名是大名鼎鼎的 GoogLeNet，那么为什么人们更愿意使用第二名的 VGG 呢？

因为 VGG 够简单

VGG 是 Visual Geometry Group 的缩写，是这个网络创建者的队名，作者来自牛津大学。

VGG 最大的特点就是它在之前的网络模型上，通过比较彻底地采用 3x3 尺寸的卷积核来堆叠神经网络，从而加深整个神经网络的层级。

VGG 不是横空出世

我们都知道，最早的卷积神经网络 LeNet，但 2012 年 Krizhevsk 在 ISRVC 上使用的 AlexNet 一战成名，极大鼓舞了世人对神经网络的研究，后续人们不断在 AlexNet 的架构上进行改良，并且成绩也越来越好。

下面是 AlexNet 的网络结构图。

对于 AlexNet 的改进的手段有 2 个：

1. 在第一层卷积层上采用感受野更小的的尺寸，和更小的 stride。
2. 在 AlexNet 的基础上加深它的卷积层数量。

VGG 选择的是在 AlexNet 的基础上加深它的层数，但是它有个很显著的特征就是持续性的添加 3x3 的卷积核。

VGG 的网