VGGNet簡介

VGGNet網(wǎng)絡(luò)結(jié)構(gòu)

下圖是學(xué)界最常使用的vgg-16神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖，可以看到其組成由：

• 個通道數(shù)是的的卷積層
• 個通道數(shù)是的的卷積層
• 個通道數(shù)是的的卷積層
• 個通道數(shù)是的的卷積層
• 個通道數(shù)是的的卷積層
• 個通道數(shù)是的全連接層
• 個通道數(shù)是的全連接層
• 個通道數(shù)是的全連接層+softmax層
  這樣加起來，vgg-16就是這樣由來的：

當(dāng)然，VGGNet除了16層的網(wǎng)絡(luò)結(jié)構(gòu)還有其他樣式的網(wǎng)絡(luò)結(jié)構(gòu)，如圖：

VGGNet與AlexNet網(wǎng)絡(luò)結(jié)構(gòu)的對比

可以看到，VGGNet除了層數(shù)比AlexNet多外，不管是VGG-16還是VGG-19其使用的卷積核均是的，而非AlexNet的或者的，如圖：

為什么要使用小卷積核

之前對感受野有了一次介紹，這里是連接：卷積神經(jīng)網(wǎng)絡(luò)的感受野及其計算，所以在這里會采用感受野的知識來回答這個問題。我們把個的卷積核堆疊起來：

• 第一個的卷積核的感受野是。
• 第二個的卷積核的感受野是。
• 第三個的卷積核的感受野是。

也就是說，經(jīng)過次卷積運(yùn)算后其對原始圖像的感受野是的，相當(dāng)于一個的卷積核的感受野！但是為什么不直接使用一個的卷積核呢？原因是雖然個的卷積核的感受野與個的卷積核一樣，但是前者可以經(jīng)過次激活函數(shù)的非線性變換具有比次非線性變化得到的特征更具有表達(dá)性。除此之外，使用小的卷積核還能夠節(jié)省參數(shù)量，例如假設(shè)上一層的特征圖的通道數(shù)是個，那么：

• 個卷積核的參數(shù)量是：
• 個卷積核的參數(shù)量是：

總結(jié)

• 可多次非線性變換提高卷積核對特征的抽取。
• 參數(shù)量更少，方便計算和存儲。

VGGNet每層的參數(shù)量

下圖展示了VGG-16網(wǎng)絡(luò)結(jié)構(gòu)每一層的參數(shù)量，需要說明的是在訓(xùn)練該網(wǎng)絡(luò)時大部分的內(nèi)存開銷都在開始的卷積層，大部分的參數(shù)都在最后的3個全連接層：