神经网络模型1——VGG16(2014年)

提示：最近在学习bubbliiiiig大博主的神经网络教程，为了避免忘记，本文仅限于个人DE学习笔记。

---

一、VGG网络模型

第一部分：一张原始图片被resize到(224,224,3)。
第二部分：特征提取的5个卷积块儿(应用：取到特征提取就够了)：

1. 第1个卷积块：conv1两次[3,3]卷积网络，输出的特征层为64，输出为(224,224,64)，再2X2最大池化，输出net为(112,112,64)。
2. 第2个卷积块：conv2两次[3,3]卷积网络，输出的特征层为128，输出net为(112,112,128)，再2X2最大池化，输出net为(56,56,128)。
3. 第3个卷积块：conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(56,56,256)，再2X2最大池化，输出net为(28,28,256)。
4. 第4个卷积块：conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(28,28,512)，再2X2最大池化，输出net为(14,14,512)。
5. 第5个卷积块：conv3三次[3,3]卷积网络，输出的特征层为256，输出net为(14,14,512)，再2X2最大池化，输出net为(7,7,512)=25088参数。

第三部分：对网络进行分类任务的操作：

1. 利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,4096)–25088*4096+4096=102764544。共进行两次。
2. 利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,1000)。
最后输出的就是每个类的预测。

二、VGG网络特点

1、使用非常多的3*3卷积串联，利用小卷积代替大卷积，该操作使得其拥有更少的参数量，同时会比单独一个卷积层拥有更多的非线性变换。
2、探索了卷积神经网络的深度与其性能之间的关系，成功构建16层网络（还有VGG19的19层网络）。