深度学习网络篇——VGGNet（Part1 网络结构&训练环节）

我们上篇文章了解了一下NIN ，接下来我们来了解一下VGGNet，可以说是另一波的跪舔和膜拜。VGGNet主要是分为两篇文章，第一篇文章来分享一下VGGNet的网络结构还有训练环节，第二篇文章是分享VGGNet做的分类实验和总结。此为第一篇。

1. VGGNet之旅

1.1 作者介绍

1.2 对VGGNet的跪拜_(:3 J Z)_

作者对六个网络的实验结果在深度对模型影响方面，进行了感性分析（越深越好），实验结果是16和19层的VGGNet（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）分类和localization的效果好（作者斩获2014年分类第二，localization第一，分类第一是当年的GoogLeNet.）下面是来自一段（摘自知乎）对同年的GoogLeNet和VGG的描述：

GoogLeNet和VGG的Classification模型从原理上并没有与传统的CNN模型有太大不同。大家所用的Pipeline也都是：训练时候：各种数据Augmentation（剪裁，不同大小，调亮度，饱和度，对比度，偏色），剪裁送入CNN模型，Softmax，Backprop。测试时候：尽量把测试数据又各种Augmenting（剪裁，不同大小），把测试数据各种Augmenting后在训练的不同模型上的结果再继续Averaging出最后的结果.

1.3 前情提要

1.4 作者干了啥：

• 卷积核变小，只有更小没有最小 （ZFNet+OverFeat+NIN）；多尺度==（Overfeat）==
• 层数更深，卷积层更宽
• 池化核变小且为偶数，减小信息损失
• 测试阶段将三个全连接替换为卷积：思想来自OverFeat，1×1的卷积思想则来自NIN，优点在于全卷积网络可以接收任意尺度的输入（这个任意也是有前提的，长和宽都要满足：（2**n），n是卷积与池化做stride=2的下采样的次数）
• 打了很多比赛，头够铁

2. VGGNet网络结构

2.1网络结构简述

• 输入： 在训练的过程中，输入我们卷积层（们）的图像是固定