VGG

VGG（作者所在的牛津大学视觉几何组Visual Geometry Group的缩写）是 [Very Deep Convolutioinal Networks for Large-Scale Image Recognition]提出的卷积神经网络模型，在2014年ImageNet图像分类与定位挑战赛中，取得了 分类任务第二，定位任务第一的好成绩。

VGG结构

VGG的核心是五组卷积操作，每两组之间做Max-Pooling空间降维。同一组内采用多次连续的3x3卷积，卷积核的数目由较浅组的64增多到最深组的512，同一组内的卷积核数目是一样的。卷积之后接两层全连接层，之后是分类层。由于每组内卷积层的不同，有11/13/16/19层这几种模型。

根据卷积核大小和卷积层数目的不同，VGG分为A、A-LRN、B、C、D、E六种配置，其中D、E两种配置较为常用，分别称为VGG16和VGG19。

VGG16 特点

• 13个卷积层均采用相同的卷积核参数（kernel_size=3，stride=1，padding=1），每一个卷积层与前一层保持相同的宽和高。
• 5个池化层均采用相同的池化核参数（kernel_size=（2,2）， stride=（2,2））和max池化方式。使每一个池化层的宽和高是前一层的1/2。
• 3个全连接层。

块结构

VGG16的卷积层划分为不同的块（block），每一个块内包含若干个卷积层和一个池化层，并且同一块内，卷积层的通道（channel）数是相同的。随着层数的增加，后一个块比前一个块通道数翻倍，由64依次增加到128，再到256，直至512保持不变。相应的高和宽减半，由224->112->56->28->14->7。

权重参数

卷积层和全连接层具有权重系数，被称为权重层，池化层不涉及权重，不属于权重层。尽管VGG16结构简单，但是所包含的权重数目却很大（138357544个参数）。

• 卷积层参数计算：kernel_sizekernel_sizeinput_channel*output_channel
• 全连接层权重参数计算：前一层节点数*本层的节点数

图中蓝色是计算权重参数数量的部分，红色是计算所需存储容量部分。

VGG16具有很高的拟合能力，但是参数数量较多，需要的存储容量大，不利于部署。训练时间过长，调参难度大。

参考资料
VGG16学习笔记