VGG网络原理深度解析

正文

1.原理解析

2.网络结构

3.网络训练

dropput

训练技巧

---

论文名：Very deep convolutional networks for large-scale image recognition

下载地址：https://arxiv.org/pdf/1409.1556.pdf

正文

        VGG是在AlexNet的基础上通过增加网络深度达到提高模型性能的目的，在2014年ImageNet竞赛中获得分类第二（第一是GoogLeNet），定位任务第一。

1.原理解析

         其实VGG网络模型的设计思想很清晰，主要为了探究网络深度对模型精确度的影响，所以VGG的设计模仿了AlexNet，只是增加了卷基层conv的数量和减小卷积核尺寸，全连接层FC保留了AlexNet的结构，相比于AlexNet，VGG网络有如下优点：

1.卷积层的数量更多，提高模型的准确度

2.采用了较小的卷积核，减少模型的参数，VGG结构中只采用了3x3和1x1的卷积核

2.网络结构

3.网络训练

dropput

         增加网络的深度提高了模型的非线性表达能力，网络模型变的复杂，在训练过程中容易导致过拟合。解决这个问题，在当时大多采用dropout的方法；现如今基本已经弃用dropout，BN(batch norm)和数据增强Augmentation是防止过拟合的主要手段

训练技巧

         VGG网络的训练是逐层增加的，先训练浅层网络，在训练好的浅层网络基础上增加网络层在进行训练，该论文中的VGG-16和VGG-19就是采用这种方法训练的，这两个模型的性能也是最好的。