深度学习总结3——VGG

鼠年一到，大家都在家猫着吧。几个吃野味的害的全国人民一起关禁闭。md，实在是应该qb。

卷积模型从LeNet->AlexNet-VGG->NiN->GoogleNet->ResNet->InceptionV3、V4,最终比较实用的可能还是后面的这些。AlxeNet、VGG更多作为研究的启动，被比较的对象。比较实用的还是后面这些网络结构。

VGG：结构有VGG-11、VGG-16、VGG-19，常用VGG-16，组成结构：13个卷积层和3个FC全连接层组成：

输入图像尺寸：224*224*3

每个VGG Block组成（number,number_channel）：

卷积{卷积核尺寸：3*3，卷积核数量:number_channel，stride:1,pad:1,active='relu'}*number;

池化{2*2,步长2，pad=0,'max'}

VGG-16组成:VGGblock(2，64）、VGGblock（2，128）、VGGblock（3，256）、VGGblock（3，512）、VGGblock（3,512）、FC（1,4096）、FC（1,4096）、FC（1,1000）

每层之间可以用batch_norm和Dropout增加鲁棒性和提高速度

参数资源：138M