一.背景介绍
vggnet是由牛津大学视觉几何组和 google deepmind 共同研发的模型。该模型在2014 Image大赛上取得了分类任务的亚军和定位任务的冠军。其最主要的特点是：由3*3的卷积核和2*2的最大池化构成模型的主干网络。
二.网络结构
1.vggnet根据权重层层数的不同，可以分为A，B，C，D，E，F五种模型。
- 网络A：共计11个权值层（8个卷积层+3个全连接层）——vgg11
- 网络B：共计13个权值层（10个卷积层+3个全连接层）——-vgg13
- 网络C：共计16个权值层（13个卷积层+3个全连接层）——–vgg16
- 网络D：共计16个权值层（13个卷积层+3个全连接层）———vgg16
- 网络E：共计19个权值层（16个卷积层+3个全连接层）——–vgg19
2.以上每个类别都将卷积层分为5组，每组的个数一般由1-4个卷积层组成，每组卷积后面2*2的最大池化层，因此共有5个池化层。
3.网络C和网络D的不同之处在于用了3个1*1的卷积核，因此网络C比较异类，当前用的不多了。
4.除最后一个全连接层外，所有的全连接层和卷积层后面都接relu进行激活。
三.评价：
1.证明的使用小的卷积核增加网络深度的可能性
2.作者曾在vgg11中增加了局部归一化操作，但这一操作对模型的效果提升有限。
3.使用3*3卷积核的好处：
1）使用3*3的卷积核是能够获取图像上下左右中心信息的最小卷积核。
2）两个3*3的卷积核堆叠相当于一个5*5的卷积核的视野，三个3*3的卷积核堆叠相当于一个7*7的卷积核的视野
（1）拥有更小的参数
（2）相当于组合了多个线性层，这样使得决策函数识别性更强。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/176235.html原文链接：https://javaforall.net
![Linux学习——Shell基础[通俗易懂]](https://javaforall.net/wp-content/uploads/2020/11/2020110817443450-480x300.jpg)
