机器学习笔记：VGG 16

1 VGG模型结构

        VGG中根据卷积核大小和卷积层数目的不同，可分为A，A-LRN,B,C,D,E共6个配置(ConvNet Configuration)，其中以D,E两种配置较为常用，分别称为VGG16和VGG19。

        

2 vgg16

以vgg16为例，它一共有：

• 13个卷积层（Convolutional Layer），分别用conv3-XXX表示
• 3个全连接层（Fully connected Layer）,分别用FC-XXXX表示
• 5个池化层（Pool layer）,分别用maxpool表示

其中，卷积层和全连接层具有权重系数，因此也被称为权重层，总数目为13+3=16，这即是

VGG16中16的来源。(池化层不涉及权重，因此不属于权重层，不被计数)。

2.1 VGG16特点

• 卷积层均采用相同的卷积核参数

卷积层均表示为conv3-XXX，其中conv3说明该卷积层采用的卷积核的尺寸(kernel size)是3

• 池化层均采用相同的池化核参数

  池化层的参数均为2×

• 模型是由若干卷积层和池化层堆叠（stack）的方式构成，比较容易形成较深的网络结构

2.2 VGG16 的快结构

        VGG16的卷积层和池化层可以划分为不同的块（Block），从前到后依次编号为Block1~block5。每一个块内包含若干卷积层和一个池化层。

        

        同一个块内，卷积层的通道（channel）数是相同的，例如：

• block2中包含2个卷积层，每个卷积层用conv3-128表示,即卷积核为：3x3x3，通道数都是128
• block3中包含3个卷积层，每个卷积层用conv3-256表示,即卷积核为：3x3x3，通道数都是256

        通过每个block，图像的尺寸会：

• 通道数翻倍，由64依次增加到128，再到256，直至512保持不变，不再翻倍
• 高和宽变减半，由 224→112→56→28→14→7

2.3 权重参数

李飞飞在CS231的课件中给出了整个网络的全部参数的计算过程（不考虑偏置）

 2.4 VGG16的优缺点

VGG16具有如此之大的参数数目，可以预期它具有很高的拟合能力；但同时缺点也很明显：

• 即训练时间过长，调参难度大。
• 需要的存储容量大，不利于部署。例如存储VGG16权重值文件的大小为500多MB，不利于安装到嵌入式系统中。

3 代码

pytorch笔记：VGG 16_UQI-LIUWJ的博客-CSDN博客