图像分类篇：pytorch实现VGG

一、VGG网络详解及感受野计算

VGG在2014年由牛津大学著名研究组VGG（Visual Geometry Group）提出，斩获该年ImageNet竞赛中Localization Task（定位任务）第一名和Classification Task（分类任务）第二名。VGG有两种结构，分别是VGG16和VGG19，两者并没有本质上的区别，只是网络深度不一样。

VGG网络的创新点：通过堆叠多个小卷积核来代替大尺度卷积核，可以减少训练参数，同时能保证相同的感受野。

1.CNN感受野

在卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野（receptive field），通俗的解释是，输出feature map上的一个单元对应输入层的区域大小。

  以上图为例，输出层layer3中一个单元对应输入层layer2上区域大小为2x2（池化操作），对应输入层layer1上大小为5x5，可以理解为，layer2中2x2区域中的每一块对应一个3x3的卷积核，又因为stride=2，所以layer1的感受野为5x5.

感受野的计算公式为：

•  F(i)为第i层感受野
• Stride为第i层的步距
• Ksize为卷积核或池化核尺寸

以上图为例：

<