关于CNN中出现的诸如conv4_3、conv8_2、conv7等标识的含义

对CNN有所涉及的同学应该都知道，神经网络中并不是单纯地堆砌layer，但事实上也确实需要堆砌layer，但倘若堆砌的layer有周期性的重复，我们就可以将其封装成一个block，方便使用。
但如何判断conv4_3到底是指第4个卷积块中的第3层，还是指第4个卷积块，而该卷积块有3个卷积层？
先说结论，神经网络中conv4_3指神经网络中的第4个卷积块（block）的第3个卷积层（layer）。
举例来讲，在SSD这篇论文中，作者提到了他们的模型使用VGG16作为基础架构，如下图所示：

上面这段话是说他们的模型使用conv4_3等来预测位置和置信度，但依旧无法做出判断，因为在这个场景下，两种理解最后可以表达同一个意思——一个是通过某层后的特征，一个是通过某块后的特征，虽然有差别，但实际效果是一样的。
不急，让我们看下图：

可以看到Conv5_3 layer是512个通道，而回到VGG16中发现，VGG16的第5个卷积块一共有3个layers，且最后一个layer正好是512个通道。所以我们认为结论成立。更何况上图中layer是单数形式（笑.jpg）。
在确认意义后，再回过头看第一张图，“我们利用某层输出的特征来预测……”，是不是觉得非常自然？