VGG16和VGG19的理解

VGG卷积神经网络是由牛津大学在2014年提出来的模型，当这个模型被提出来时， 由于它的简洁性和实用性，马上成为了当时最流行的卷进神经网络模型。它在图像分类和目标检测任务中都表现出非常好的效果。
它主要的贡献是展示出网络的深度是算法优良性的关键部分。VGG16的网络结构非常一致，从头到尾全部使用的使用的是3x3的卷积核2x2的pooling.
VGG不好的一点是它耗费更多的计算资源， 并且使用了更多的参数，导致更多的内存占用。其中绝大多数的参数都是来自于第一个全连接层。
目前使用比较多的网络结构主要有ResNet(151-1000层)， GoogleNet(22层)， VGG19层。大多数模型都是基于这几个模型上
改进， 采用新的优化算法， 多模型融合等。

重点介绍VGG
VGG是从alexnet发展而来的网络， 主要修改一下两个方面：
1，在第一个卷基层层使用更小的filter尺寸和间隔（33）； 2，在整个图片和multi-scale上训练和测试图片。
33 filter:
引入cs231n上面一段话：
几个小滤波器卷积层的组合比一个大滤波器卷积层好：
假设你一层一层地重叠了3个3x3的卷积层（层与层之间有非线性激活函数）。在这个排列下，第一个卷积层中的每个神经元都对输入数据体有一个3x3的视野。
第二个卷积层上的神经元对第一个卷积层有一个3x3的视野，也就是对输入数据体有5x5的视野。同样，在第三个卷积层上的神经元对第二个卷积层有3x3的视野，
也就是对输入数据体有7x7的视野。假设不采用这3个3x3的卷积层，二是使用一个单独的有7x7的感受野的卷积层，那么所有神经元的感受野