VGG16学习

VGG16分为16层，我们主要讲前面的前几层（越详细越好吧，后面是一样的）

——首先教会大家一个看其他神经网络也是用的办法：官方数据表格：

看懂一些式子表达：

Conv3-512   →    第三层卷积后维度变成512；

Conv3_2 s=2     →     第三层卷积层里面的第二子层，滑动步长等于2（每次移动两个格子）

好了，我们有了以上的知识可以考试剖析VGG16卷积神经网络了

三、利用之前的基本概念来解释深层的VGG16卷及网络；

【1、从INPUT到Conv1：】

首先两个黄色的是卷积层，是VGG16网络结构十六层当中的第一层（Conv1_1）和第二层（Conv1_2），他们合称为Conv1。

我们主要讲述第一个，也就是第一层（Conv1_1），它怎么把一个300*300*3的矩阵变成一个300*300*64的矩阵？

我们假设蓝色框是一个RGB图像，橙色是一个3*3*3的卷积核，我们对一个三维的27个数求和，然后扫过去，按照第一部分算的得出来的是一维的298*298的矩阵（因为卷积核也是三维所以结果是一维）；

然后回想一下什么是Padding、前面也讲过它的概念了；所以不了一圈的圆，回到了300*300*1；

然后，VGG16这一层安置有64个卷积核，那么，原来的300*300*1变成300*300*64

于是我们的到了想要的东西；最后的绿色框；

【1、从Conv1到Conv2之间的过度：】

这一步用的Pooling是：2*2*64 s=2；

也就是说，步长是二，滑动的矩阵本身没有重叠；刚好减半，第三维度64不变；

【3、顺利来到Conv2并且结构完全一样进入Conv3：】

我们知道原来INPUT是300*300*3过了第一层出来时150*150*64

那么第二层仍然有池化有128个卷积核，联想推理：

出来的应该是75*75*128；这一步没有问题，我们继续往下分析：

【4、进入Conv3的推演：】

可以知道第三层有256个卷积核，包含三层小的卷基层：

【5、从Conv3到Conv4之间的过度：】

池化没有问题，但是这里75不是一个偶数怎么弄，还记得我们第一部分前面的括号吗？

就是这样，我们在75这里相加了一个一，使之成为76，变成一个偶数，还有一种方法是通过步长的设置这里先不展开来讲了；

【6、后续的步骤】

  后面的方法很简单，根据我给的那个VGG16的表格查找每一层里面有什么卷积核？多少个？池化的大小？步长多少？是否需要Padding？解决这些问题，你的VGG16就已经完全可以从头到尾说清楚了！！！