卷积神经网络分析与总结（VGG分类模型）

在之前详细读完第一篇卷积神经网络论文AlexNet之后，我最近又阅读了另一个图像分类与定位领域著名的论文VGG，考虑到我本人水平有限，下面我大概介绍一下这篇论文与VGG网络。

论文名称为：“Very Deep Convolutional Networks For Large-Scale Image Recognition”

这篇论文重点讲解了他们团队在ImageNet 2014挑战赛上所使用的VGG模型与相关研究。正如我们所知道的，VGG模型在2014年的挑战赛上取得了分类第二，定位第一的好成绩，而在这一年分类的第一名则是被GoogleNet所拿到，以后还有讲到。VGG模型基本沿用了AlexNet模型的网络结构，在其结构上做了一些改进，使得分类和定位准确率比AlexNet模型提高不少。

１．VGG模型介绍

随着超大规模图像数据集如ImageNet，和高性能计算机系统如GPUs和大规模分布式集群的产生，基于卷积神经网络的图像分类、定位与检测越来越强大。先前的AlexNet网络受限于当时的GPU等计算机系统性能的影响而无法训练更深更大的网络，使得分类正确率不高。在VGG模型中，基本沿用了AlexNet模型架构，但是比AlexNet更深，且使用了神经网络的集成，准确率达到了很高的水平。VGG模型在结构方面相对于AlexNet模型的改进主要在以下两个方面：

1. 用3X3或1X1的小卷积模板代替AlexNet中的大模板
2. 在整幅图像和多尺度两方面训练和测试网络，并且多种网络集成

2．VGG模型解决的问题与结果

该模型基于ILSVRC-2012数据集（该数据集被用于ILSVRC-2012-2014挑战赛），该数据集包括1000个类别，整个数据集分为三个集合：训练集（1.3M幅图像）、验证集（50K幅图像）和测试集（100K幅图像）。比赛在分类问题中使用top-1和top-5错误率作为比赛结果；在定位问题中使用能够预测到的top-5类别的bounding box作为比赛结果。VGG模型在分类问题中的结果如下：
　　top-1 val.error: 24.7%
　　top-5 val.error: 7.5%
　　top-5 test.error: 7.3%

3．VGG模型结构

网络结构可以简单记为以下 公式：
$$m\left[\left(n\cdot convs\right)+pool\right]+k\cdot fc+softmax$$
相比于AlexNET模型的网络结构，VGG模型主要特点在于全部使用了小卷积模板和不使用LRN层。

多层小卷积模板

在VGG中全部使用尺寸为3X3和1X1的小卷积模板。在这篇论文中，作者将卷积模板所涉及到的某一像素点周围的邻域称之为感受野（receptive field）。作者认为两层3X3大小的卷积模板的感受野等于一层5X5的卷积模板，三层3X3大小的卷积模板的感受野等于一层7X7的卷积模板，这样就可以使用多层小卷积代替一层大卷积。

使用多层小卷积代替一层大卷积的方法有以下两点好处：

1. 在不改变网络功能的前提下极大地减少了参数个数。对于一层7X7的深度为1的卷积层变量总数为7X7=49，而对于三层3X3D的深度为1的卷积层变量总数仅仅为3X(3X3)=27，减少了近一半的变量。
2. 采用更深的小卷积层将会在网络中加入更多的非线性激活函数ReLU，使模型的表示能力更强。

在VGG中也少量的应用到了1X1的小卷积模板，1X1的卷积模板不具有感受野，它可以看作不改变原输入图像像素而仅改变特征图深度再通过ReLU激活函数，它一般用于增加特征图和增加非线性。

放弃LRN层

在文中，作者通过做实验发现LRN层对模型的分类正确率没有提高，因此在整个VGG模型中不使用AlexNet提出的LRN层。

4．VGG模型训练与测试

VGG模型的训练与测试过程都与AlexNet模型有着很大的差别，这也是两者产生正确