一）简介
VGG Net由牛津大学的视觉几何组（Visual Geometry Group）和 Google DeepMind公司的研究员一起研发的的深度卷积神经网络，在 ILSVRC 2014 上取得了第二名的成绩。它主要的贡献是使用小尺寸滤波器，对网络深度进行大幅增加，展示出网络深度（推进到16-19层）对模型效果有显著提高。
二）VGGNet模型解析
论文中展示了一系列不同的VGG模型结构，如下图所示。
图中所有的网络都基于通用结构设计,只是深度不同:
A包含11个权重层一一8个卷积层,3个全连接层;
……
E包含19个权重层一一16个卷积层,3个全连接层;
右边的网络均基于A，实验表明最后两组，即深度最深的两组16和19层的VGGNet网络模型在分类和定位任务上的效果最好。
2.1）VGG-16网络结构
下面VGG-16的网络结构图，在Netscope上有更清晰的展示，大家可以自行前往，而且对每层有大致的描述：http://ethereon.github.io/netscope/#/gist/dc5003de6943ea5a6b8b
图像输入
输入是大小为224*224的RGB图像，预处理时计算出三个通道的平均值，在每个像素上减去平均值（处理后迭代更少，更快收敛）。
卷积层C1_1、C1_2
C1_1层：卷积核尺寸3x3，数量64，padding=1，stride=1
ReLU1_1：特征图224x224x64
C1_1层：卷积核尺寸3x3，数量64，padding=1，stride=1
ReLU1_2：特征图224x224x64
池化层P1
MaxPooling：核尺寸2x2，stride=2
特征图112x112x64
卷积层C2_1、C2_2
C2_1层：卷积核尺寸3x3，数量128，padding=1，stride=1
ReLU2_1：特征图112x112x128
C2_2层：卷积核尺寸3x3，数量128，padding=1，stride=1
ReLU2_2：特征图112x112x128
池化层P2
MaxPooling：核尺寸2x2，stride=2
特征图56x56x128
卷积层C3_1、C3_2、C3_3
C3_1层：卷积核尺寸3x3，数量256，padding=1，stride=1
ReLU3_1：特征图56x56x256
C3_2层：卷积核尺寸3x3，数量128，padding=1，stride=1
ReLU3_2：特征图56x56x256
C3_3层：卷积核尺寸3x3，数量128，padding=1，stride=1
ReLU3_3：特征图56x56x256
池化层P3
MaxPooling：核尺寸2x2，stride=2
特征图28x28x256
卷积层C4_1、C4_2、C4_3
C4_1层：卷积核尺寸3x3，数量512，padding=1，stride=1
ReLU4_1：特征图28x28x512
C4_2层：卷积核尺寸3x3，数量512，padding=1，stride=1
ReLU4_2：特征图28x28x512
C4_3层：卷积核尺寸3x3，数量512，padding=1，stride=1
ReLU4_3：特征图28x28x512
池化层P4
MaxPooling：核尺寸2x2，stride=2
特征图14x14x512
卷积层C5_1、C5_2、C5_3
C5_1层：卷积核尺寸3x3，数量512，padding=1，stride=1
ReLU5_1：特征图14x14x512
C5_2层：卷积核尺寸3x3，数量512，padding=1，stride=1
ReLU5_2：特征图14x14x512
C5_3层：卷积核尺寸3x3，数量512，padding=1，stride=1
ReLU5_3：特征图14x14x512
池化层P5
MaxPooling：核尺寸2x2，stride=2
特征图7x7x512
全连接层FC6
FC6：4096个7x7卷积核，映射到4096个神经元
ReLU6
Drop6：dropout ratio=0.5
全连接层FC7
FC7：4096个神经元，与FC6的神经元全连接
ReLU7
Drop7：dropout ratio=0.5
全连接层FC8
FC8：1000个神经元，与FC6的神经元全连接
softmax输出层
完成分类任务
2.2）VGG网络分析
相比于AlexNet，VGGNet用以下特点值得大家思考。
https://blog.csdn.net/qq_40027052/article/details/79015827