VGG网络结构

下面就VGG模型进行一下简要介绍。
VGG有多个版本，我这里使用的VGG16来介绍的。
下图是VGG16的网络模型，其中一共有13个卷积层，加上3个全连接层，卷积层用来提取特征，而全连接用来输出分类结结果。

使用torchvision来调用VGG16模型：

import torchvision
model = torchvision.models.vgg16(pretrained=False)
print(model)

卷积层：

全连接层：

1.VGG相比较AlexNet的主要特点就是它全使用的是3×3的卷积核，使用3×3的卷积核相比较使用5×5和7×7的优点不仅可以减小网络中的参数，而且还可以增加网络中的非线性因素。
为什么使用3×3的卷积核可以减小网络的参数量：一个30×30的图像经过一个7×7（49个参数）的卷积核之后,输出的feature map的大小为24×24，与经过三个3×3卷积核(27个参数)之后的的输出是一致的。经过一个5×5的卷积核（25个参数）之后,输出的feature map的大小为26×26，与经过两个3×3卷积核（18个参数）之后的的输出是一致的。可以很明显的看出，在输出相同大小的feature map的情况下，需要的参数大大的减小了。同时后者可以有3个非线性操作，而前者只有1个非线性操作，这样使得后者对于特征的学习能力更强。
2.在池化层中全部使用的是2×2的池化单元，每次池化之后可以将feature map的大小减小到一半。