VGGNet网络模型

**

背景介绍

VGGNet网络模型是在2014年提出，同时也提出了GoogleNet;VGGNet有一个重要的idea，引入卷积层中使用了33卷积核，并连续多次33卷积核的卷积层。
*

为什么VGGNet网络模型使用连续的小卷积核？*

连续多层小核卷积层不仅能够产生感知区域，还能带来性能上的优化。

1. 连续多层卷积的网络结构比单卷积层的网络结构能更有效地提取高维特征；
2. 大幅度减少CNN的权重参数；
3. 有效减少边界特征损失；

VGGNet网络模型介绍

输入层：输入为2242243或者1224224
Block1:连续两层kernel=64,kernel size=33的卷积层，后接一个Pooling层。卷积层输出特征矩阵为【224,224,64】，pooling层输出为【112112128】。
Block2:连续两层kernel=128,kernel size=33的卷积层，后接一个Pooling层。卷积层输出特征矩阵为【112,112,128】，pooling层输出为【5656256】。
Block3:连续三层kernel=256,kernel size=33的卷积层，后接一个Pooling层。卷积层输出特征矩阵为【5656256】，pooling层输出为【2828256】。
Block4:连续三层kernel=512,kernel size=33的卷积层，后接一个Pooling层。卷积层输出特征矩阵为【2828512】，pooling层输出为【1414512】。
Block5:连续三层kernel=512,kernel size=33的卷积层，后接一个Pooling层。卷积层输出特征矩阵为【1414512】，pooling层输出为【77*512】。
全连接层（FC2）：全连接层1与全连接层2中神经元进行全部连接。
输出层：FC2的4096神经元与输出层的1000个分类进行全连接，并用softmax进行分类预测。