分类网络（一）VGG

VGG论文：https://arxiv.org/abs/1409.1556

VGG 有六种结构配置：

以 VGG-16 为例：
VGG-16 包含 5 个 block，每个 block 最后为 maxpooling 层，网络最后有 3 个 FC 层。由于只有卷积层和全连接层有权重，所以它们合称权重层，共 13 + 3 个，这也是 VGG-16 名称的由来。

卷积层参数：
卷积层 conv3 表示卷积核尺寸为 3*3，conv3-64 表示卷积后通道数为 64，所有卷积步长 stride = 1，填充方式 padding = same（即输出大小和输入大小一致），这样卷积操作不会改变图像大小，仅改变通道数。

池化层参数：
池化层 maxpooling 的参数均为 2*2，步长 stride = 2

在 pooling5 之后，图像缩小了 32 倍，如果将 pooling 层的 stride 减小到 1，就可以得到更 dense 的特征，其实DeepLab就是这么做的，它将 VGG-16 的 pooling4、5 层的 stride 减小到 1，从而 pooling 5 之后图像相比原图仅缩小了 7 倍，但是这么做也有一个问题，就是感受野会变小，解决方法是使用 atrous convolution（带孔卷积），这里不细说。

参数计算过程（不考虑 bias）：

VGG 参数量大，导致几个缺点：

• 训练时间过长，调参难度大
• 需要的存储容量大，不利于部署