1. 简介
2014年，Karen Simonyan, Andrew Zisserman在《Very Deep Convolutional Networks For Large-Scale Image Recognition》提出VGG-16，夺得ILSVRC 2014的亚军。VGG代表了牛津大学的Oxford Visual Geometry Group，该小组隶属于1985年成立的Robotics Research Group，该Group研究范围包括了机器学习到移动机器人。
VGGNet的两个特点：层数更深更宽、卷积核更小。
各个级别VGG的模型结构如下表所示，其下方为不同模型的参数数量。可以看到，虽然从A到E每一级网络逐渐变深，但是网络的参数量并没有增长很多，这是因为参数量主要都消耗在最后3个全连接层了。不过训练耗时的依然是卷积层，因为这部分计算量比较大。其中D,E分别为VGG16和VGG19。
VGGNet使用的全部都是3 × 3 的小卷积核和2 × 2 的池化核，通过不断加深网络来提升性能。其中经常出现多个完全一样的3 × 3 卷积层堆叠在一起的情况。两层3 × 3 的串联卷积结果相当于一个5 × 5的卷积，即最后一个像素会与周围5 × 5 个像素产生关联，可以说感受野大小为5 × 5 。而3层3 × 3 ×3的卷积核的串联结果则相当于1个7 × 7的卷积层。
除此之外，3个串联的3 × 3 卷积层的参数数量要比一个7x7卷积层的参数数量小得多，更少的参数意味着减少过拟合，而且更重要的是3个3 × 3 卷积层拥有比1个7 × 7 的卷积层更多的非线性变换，使得CNN对特征的学习能力更强。
2. 网络结构
VGG拥有5个卷积段，每一个卷积段有2-3个卷积层，同时每段的结尾都会连接一个最大池化层，来缩小图片尺寸。每段内的卷积核数量都一样，越靠后的段的卷积核数量越多：64 − 128 − 256 − 512 − 512
Layer Conv1-1：
输入：224 × 224 × 3
卷积核：3 × 3 ，步长1 1，padding1 ，深度64
输出：224 × 224 × 64
Layer Conv1-2：
输入：224 × 224 × 64
卷积核：3 × 3，步长1 ，padding1，深度64
输出：224 × 224 × 64
Layer POOL-1：
输入：224 × 224 × 64
卷积核：2 × 2 ，步长2，padding0，深度64
输出：112 × 112 × 64
Layer Conv2-1：
输入：112 × 112 × 64
卷积核：3 × 3 ，步长1 ，padding1 ，深度64
输出：112 × 112 × 128
Layer Conv2-2：
输入：112 × 112 × 128
卷积核：3 × 3 ，步长1，padding1 ，深度128
输出：112 × 112 × 128
Layer POOL-2：
输入：112 × 112 × 128
卷积核：2 × 2 ，步长2，padding0 ，深度128
输出：56 × 56 × 128
Layer Conv3-1：
输入：56 × 56 × 128
卷积核：3 × 3 ，步长1 ，padding1 ，深度256
输出：56 × 56 × 256
Layer Conv3-2：
输入：56 × 56 × 256
卷积核：3 × 3 ，步长1 ，padding1 ，深度256
输出：56 × 56 × 256
Layer Conv3-3：
输入：56 × 56 × 256
卷积核：3 × 3 ，步长1，padding1，深度256
输出：56 × 56 × 256
Layer POOL-3：
输入：56 × 56 × 256
卷积核：2 × 2 ，步长2 ，padding0 ，深度256
输出：28 × 28 × 256
Layer Conv4-1：
输入：28 × 28 × 256
卷积核：3 × 3 ，步长1，padding1 ，深度512
输出：28 × 28 × 512
Layer Conv4-2：
输入：28 × 28 × 512
卷积核：3 × 3，步长1，padding1 ，深度512
输出：28 × 28 × 512
Layer Conv4-3：
输入：28 × 28 × 512
卷积核：3 × 3 ，步长1 ，padding1 ，深度512
输出：28 × 28 × 512
Layer POOL-4：
输入：28 × 28 × 512
卷积核：2 × 2 ，步长2 ，padding0 ，深度512
输出：14 × 14 × 512
Layer Conv5-1：
输入：14 × 14 × 512
卷积核：3 × 3 3，步长1 ，padding1，深度512
输出：14 × 14 × 512
Layer Conv5-2：
输入：14 × 14 × 512
卷积核：3 × 3 ，步长1 ，padding1 ，深度512
输出：14 × 14 × 512
Layer Conv5-3：
输入：14 × 14 × 512
卷积核：3 × 3 ，步长1 ，padding1 ，深度512
输出：14 × 14 × 512
Layer POOL-5：
输入：14 × 14 × 512
卷积核：2 × 2 ，步长2 ，padding0，深度512
输出：7 × 7 × 512
