VGG-Net 简介

VGG16，VGG19

由于不断的积累实践和日益强大的计算能力，使得研究人员敢于将神经网络的结构推向更深层。 在 2014 年提出的 VGG-Net 中，首次将卷积网络结构拓展至 16 和 19 层，也就是著名的 VGG16 和 VGG19。

相较于此前的 LeNet-5 和 AlexNet 的 $5 \times 5$ 卷积和 $11 \times 11$ 卷积，VGGNet 结构中大量使用 $3 \times 3$ 的卷积核和 $2 \times 2$ 的池化核

VGGNet 的网络虽然开始加深但其结构并不复杂，但作者的实践却证明了卷积网络深度的重要性。 深度卷积网络能够提取图像低层次、中层次和高层次的特征，因而网络结构需要的一定的深度来提取图像不同层次的特征

在论文中，作者使用了 A-E 五个不同深度水平的卷积网络进行试验，从 A 到 E 网络深度不断加深，网络的具体信息如下:

VGG 16 网络结构

VGG 的网络结构非常规整，2-2-3-3-3 的卷积结构也非常利于编程实现。卷积层的滤波器数量的变化也存在明显的规律， 由 64 到 128 再到 256 和 512，每一次卷积都是像素成规律的减少和通道数成规律的增加。 VGG-16 在当年的 ILSVRC 以 32% 的 top5 错误率取得了当年大赛的第二名。这么厉害的网络为什么是第二名？ 因为当年有比 VGG 更厉害的网络，也就是致敬 LeNet-5 的 GoogLeNet

参考

• Very Deep Convolutional Networks for Large-Scale Image Recognition