一.背景介紹
vggnet是由牛津大學視覺幾何組和 google deepmind 共同研發的模型。該模型在2014 Image大賽上取得了分類任務的亞軍和定位任務的冠軍。其最主要的特點是：由3*3的卷積核和2*2的最大池化構成模型的主幹網絡。
二.網絡結構
1.vggnet根據權重層層數的不同，可以分爲A，B，C，D，E，F五種模型。
- 網絡A：共計11個權值層（8個卷積層+3個全連接層）------vgg11
- 網絡B：共計13個權值層（10個卷積層+3個全連接層）-------vgg13
- 網絡C：共計16個權值層（13個卷積層+3個全連接層）--------vgg16
- 網絡D：共計16個權值層（13個卷積層+3個全連接層）---------vgg16
- 網絡E：共計19個權值層（16個卷積層+3個全連接層）--------vgg19
2.以上每個類別都將卷積層分爲5組，每組的個數一般由1-4個卷積層組成，每組卷積後面2*2的最大池化層，因此共有5個池化層。
3.網絡C和網絡D的不同之處在於用了3個1*1的卷積核，因此網絡C比較異類，當前用的不多了。
4.除最後一個全連接層外，所有的全連接層和卷積層後面都接relu進行激活。
三.評價：
1.證明的使用小的卷積核增加網絡深度的可能性
2.作者曾在vgg11中增加了局部歸一化操作，但這一操作對模型的效果提升有限。
3.使用3*3卷積核的好處：
1）使用3*3的卷積核是能夠獲取圖像上下左右中心信息的最小卷積核。
2）兩個3*3的卷積核堆疊相當於一個5*5的卷積核的視野，三個3*3的卷積核堆疊相當於一個7*7的卷積核的視野
（1）擁有更小的參數
（2）相當於組合了多個線性層，這樣使得決策函數識別性更強。