VGG16模型常用于分类和定位任务
其名称来源于作者所属牛津大学视觉几何组(Visual Geometry Group )的缩写。
1、结构简洁
VGG由5层卷积层、3层全连接层、softmax输出层构成，层与层之间由max-pooling (最大化池)划分，所有隐层的激活单元都采用了ReLU函数。
2、小卷积核和多卷积子层
VGG通过使用多个小卷积核(3×3)的卷积层代替卷积核的大卷积层，减少了参数，同时相当于进行了更多的非线性映射，提高了网络的拟合/表达能力
小卷积核是VGG的重要特征之一。 VGG模仿了AlexNet的网络结构，但在AlexNet中没有采用7×7这样较大的卷积核大小，而是通过减小卷积核的大小(3×3 )，增加卷积子层数来达到同样的性能(VGG )
VGG作者认为，通过两个3×3的卷积栈得到的感觉野的大小，相当于5×5的卷积； 通过33卷积得到的感觉域相当于77的卷积。
3、小池化核
与AlexNet的3×3池化核相比，VGG均采用2×2池化核。
4、通道数多
VGG网络的一层的信息数为64，后面的每层增加一倍，最多变为512个信息，信息数增加了，可以提取更多的信息。
5、层数更深、特征图更宽
由于卷积核集中在通道数的扩大上，池化集中在宽度和高度的缩小上，使得模型体系结构上的深度和宽度变宽，同时也抑制了计算量的增长规模。
6、全连接转卷积（测试阶段）
这也是VGG的特点之一，在网络测试阶段将训练阶段的3个全连接替换为3个卷积，由于测试得到的全体网络没有全连接的限制，能够接收任意宽度或高度的输入在测试阶段很重要。
如本节第一张图所示，输入图像为224x224x3。 当接下来的三个层全部为全连接时，在测试阶段，如果不将测试图像全部缩放到224x224x3，就无法满足接下来的全连接层的输入数的要求，测试工作的展开不方便。
输入1，224 x 224 x 3的图像，用64个3×3的卷积核创建两次卷积ReLU，卷积后的大小为224x224x64
2、进行最大化池化后，池化单元的大小为2×2 )，效果图像大小减半)，池化后的大小为112x112x64
用3，128个3×3的卷积核制作2次卷积ReLU，大小为112x112x128
进行4、2×2的最大轮询池化，大小变为56x56x128
用5，256个3×3卷积核制作3次卷积ReLU，大小为56x56x256
进行6、2×2的最大轮询池化，大小变为28x28x256
用7，512个3×3的卷积核制作3次卷积ReLU，大小为28x28x512
进行8、2×2的最大轮询池化，大小变为14x14x512
用9，512个3×3的卷积核制作3次卷积ReLU，大小为14x14x512
进行10、2×2的最大轮询池化，大小变为7x7x512
11、2层1x1x4096、1层1x1x1000和全连接ReLU (共3层) ) )。
12、用softmax输出1000的预测结果
通过以上过程可以看出，VGG网络结构还很简洁，都是由小卷积核、小池化核、ReLU组合而成。 其简化图如下(以VGG16为例) :
1、增加深度可以有效提高性能
2、最佳机型： VGG16，从头到尾只需3×3卷积和2×2池化，简洁美观；
3 .卷积可以支持各种大小的图像，而不是全部连接
参考： https://blog.csdn.net/Roger Chen 1983/article/details/79549085
原文链接： https://blog.csdn.net/I comma/article/details/104426691
飞艇稳赚不赔的打法6个3×3卷积核制作3次卷积ReLU，大小为56x56x256
进行6、2×2的最大轮询池化，大小变为28x28x256
用7，512个3×3的卷积核制作3次卷积ReLU，大小为28x28x512
进行8、2×2的最大轮询池化，大小变为14x14x512
用9，512个3×3的卷积核制作3次卷积ReLU，大小为14x14x512
进行10、2×2的最大轮询池化，大小变为7x7x512
11、2层1x1x4096、1层1x1x1000和全连接ReLU (共3层) ) )。
12、用softmax输出1000的预测结果
通过以上过程可以看出，VGG网络结构还很简洁，都是由小卷积核、小池化核、ReLU组合而成。 其简化图如下(以VGG16为例) :
1、增加深度可以有效提高性能
2、最佳机型： VGG16，从头到尾只需3×3卷积和2×2池化，简洁美观；
3 .卷积可以支持各种大小的图像，而不是全部连接
参考： https://blog.csdn.net/Roger Chen 1983/article/details/79549085
原文链接： https://blog.csdn.net/I comma/article/details/104426691