VGG卷积神经网络是牛津大学在2014年提出来的模型。当这个模型被提出时，由于它的简洁性和实用性，马上成为了当时最流行的卷积神经网络模型。它在图像分类和目标检测任务中都表现出非常好的结果。在2014年的ILSVRC比赛中，VGG 在Top-5中取得了92.3%的正确率。有VGG16和VGG19，模型的权重由ImageNet训练而来。

VGG结构

结构图介绍：
（1）：conv3-64 ：是指第三层卷积后维度变成64，同样地，conv3-128指的是第三层卷积后维度变成128；
（2）：input（224x224 RGB image）指的是输入图片大小为224x244的彩色图像，通道为3，即224x224x3；
（3）：maxpool 是指最大池化，在vgg16中，pooling采用的是2x2的最大池化方法；
（4）：FC-4096 指的是全连接层中有4096个节点，同样地，FC-1000为该层全连接层有1000个节点；
（5）：padding指的是对矩阵在外边填充n圈，padding=1即外边缘填充1圈，5x5大小的矩阵，填充一圈后变成7x7大小； 在进行卷积操作的过程中，处于中间位置的数值容易被进行多次的提取，但是边界数值的特征提取次数相对较少，为了能更好的把边界数值也利用上，所以给原始数据矩阵的四周都补上一层0，这就是padding操作。
（6）：vgg16每层卷积的滑动步长stride=1，padding=1。

以VGG16为例来说明：

从上图可以看出VGG16由13个卷积层+3个全连接层=16层构成，过程为：
（1） 输入：输入224 * 224 * 3的图片。
（2） Conv1_1+conv1_2+pool1：经过64个卷积核的两次卷积后，采用一次max pooling。经过第一次卷积后，有（3 * 3 * 3） * 64=1728个训练参数；第二次卷积后，有（3 * 3 * 64） * 64=36864个训练参数，大小变为112 * 112 * 64.
（3） Conv2_1+conv2_2+pool2：经过两次128个的卷积核卷积之后，采用一次max pooling，有（3 * 3 * 128） * 128=147456个训练参数，大小变为56 * 56 * 128.
（4） Conv3_1+conv3_2+con3_3+pool3: 经过三次256个的卷积核卷积之后，采用一次max pooling，有（3 * 3 * 256） * 256=589824个训练参数，大小变为28 * 28 * 256.
（5） Conv4_1+conv4_2+con4_3+pool4: 经过三次512个的卷积核卷积之后，采用一次max pooling，有（3 * 3 * 512） * 512=2359296个训练参数，大小变为14 * 14 * 512.
（6） Conv5_1+conv5_2+con5_3+pool5: 再经过三次512个的卷积核卷积之后，采用一次max pooling，有（3 * 3 * 512） * 512=2359296个训练参数，大小变为7 * 7 * 512.
（7） Fc6+Fc7+Fc8:经过三次全连接，最终得到1000维的向量。

VGG16模型所需要的内存容量

上图，非常清晰地展示了每经过一次卷积或pooling后，所需要占用的内存，以及需要传送的权重值个数。

conv的基本概念

image为需要进行卷积的图片，而convolved feature为卷积后得到的特征图；图中黄色矩阵即为卷积核filter，image为5x5大小的一维图像，filter为3x3大小的一维矩阵；卷积过程是：filter与image对应位置相乘再相加之和，得到此时中心位置的值，填入第一行第一列，然后在移动一个格子（stride=1），继续与下一个位置卷积…，最后得到是3x3x1的矩阵。
卷积神经网络的卷积核大小、个数，卷积层数如何确定呢？卷积核的大小一般选择3x3和5x5。一般取(3,3)的小矩阵，训练效果会更好。卷积核里面每个值就是我们需要寻找（训练）的神经元参数(权重)，开始会随机有个初始值，当训练网络时，网络会通过后向传播不断更新这些参数值，直到寻找到最佳的参数值。对于如何知道是“最佳”？则是通过loss损失函数去评估。
卷积核的步长是指卷积核每次移动几个格子，有横行和纵向两个方向。
卷积操作相当于特征提取，卷积核相当于一个过滤器，提取我们需要的特征。如上图，左边小红色框是卷积核，从左上角扫到右下角，最终得到右边的特征图谱。

池化Pooling
池化操作相当于降维操作，有最大池化和平均池化，其中最大池化(max pooling)最为常用。经过卷积操作后我们提取到的特征信息，相邻区域会有相似特征信息，这是可以相互替代的，如果全部保留这些特征信息会存在信息冗余，增加计算难度。
最大池化就是取filter对应区域内最大像素值替代该像素点值，其作用是降维。在这里，池化使用的滤波器都是2*2大小，因此池化后得到的图像大小为原来的1/2。下图为最大池化过程：
通过池化层会不断地减小数据的空间大小，参数的数量和计算量会有相应的下降，这在一定程度上能够控制过拟合。


全连接FC层
在全连接层中的每一个节点都与上一层每个节点连接，把前一层的输出特征都综合起来。在VGG16中，第一个全连接层FC1有4096个节点，同样第二个全连接层FC2也有4096个节点，最后一个FC3有1000个节点。

softmax层
softmax层一般连接的是全连接层和loss层，现在的CNN都是end-to-end的，最后通过全连接层送入softmax来进行分类。

Flatten 是指将多维的矩阵拉开，变成一维向量来表示。
Dropout是指在网络的训练过程中，按照一定的概率将网络中的神经元丢弃，这样有效防止过拟合。
VGG采用的激活函数是ReLu. ReLu是非常接近线性函数的非线性函数。

内容中包含的图片若涉及版权问题，请及时与我们联系删除