VGG网络结构详解

参考论文：Very Deep Convolutional Networks for Large-Scale Image Recognition

结构组成

论文中提供的6种网络配置：

整个网络有5个vgg-block块和5个maxpool层逐个相连，然后进入FC层，直到最后1000个softmax输出。多种VGG网络设计都很统一，都有相同的224×224×3的input层+5个maxpool层+3层fc全连接层，区别在于中间的Vgg-block块的设计不同。

以上图D列的vgg16为例：

input：

224×224×3 三通道（RGB）的图像；

vgg-block：

输入224×224×3，经过64个filter（kernelsize=(3,3,3)），stride = 1，padding=same后，得224×224×64；

Max-pooling：

输入224×224×64，经过pool size=2，stride=2后，得112×112×64；

vgg-block：

输入112×112×64，经128个filter（kernelsize=(3,3,64)），得到112×112×128；

Max-pooling：

输入112×112×128，经pool size = 2,stride = 2后，得56×56×128；

vgg-block

输入56×56×128，经过256个filter（kernelsize=(3,3,128)）后，得56×56×256；

Max-pooling

输入56×56×256，经pool size = 2,stride = 2后，得28×28×256；

vgg-block：

输入28×28×256，经过512个filter（kernelsize=(3,3,256)）后，得28×28×512；

Max-pooling

输入28×28×512，经pool size = 2,stride = 2后，得14×14×512；

vgg-block：

输入14×14×256，经过512个filter（kernelsize=(3,3,512)）后，得14×14×512；

Max-pooling

输入14×14×512，经pool size = 2,stride = 2后，得7×7×512，展平（Flattern）得25088个参数；

Dense

输入（25088，），经过4096个神经元，得（4096，）；

Dense

输入（4096，），经过4096个神经元，得（4096，）；

Dense

输入（4096，），经过1000个神经元，得（1000，）。

其中前两层全连接层在使用relu后还使用了Dropout（rate=0.5）对神经元随机失活，最后一层全连接层用softmax输出1000个分类。

特点

论文提出，通过堆叠2个 3*3 的卷积核来代替 5*5 的卷积核；堆叠3个 3*3 的卷积核来代替 7*7 的卷积核。虽然用了小的卷积核来替换大的卷积核，但并不会影响感受野，即感受野是相同的，但减少了参数。