浅述经典的4种卷积网络之（2）VGGNet

这里不对这VGGNet网络进行详细的原理阐述，只是卷积网络的由来以及网络结构和网络参数进行叙述，然后通过tensorflow进行代码实现，参看《tensorflow实战》。
1.VGG网络叙述
获得2014年ILSVRC比赛分类项目的亚军，top-5错误率7.3%，19层神经网络。VGGNet探索了其深度与性能的关系，通过反复堆叠3*3的卷积层和2*2的max pooling层，构建了16~19层深的卷积神经网络，相比之前的state-of-the-art错误率下降明显，且拓展性很强，迁移到其他图像数据集的泛化性很好，经常用来提出图像特征。如图1所示为VGGNet的结构，从A到E每层网络逐渐加深，前面卷积部分虽然深，但是参数量少，不过计算量大，运行时间长，其中存在的1*1的卷积层的意义在于线性变换，输入通道数和输出通道数不变，没有发生降维。VGGNet拥有5段卷积，每段有2~3个卷积层，同时每段会连接一个最大池化层来缩小图片尺寸，每段内的卷积核数量不一样，越靠后卷积数量越多：64->128->256->512->512。两个3*3的卷积层串联相当于一个5*5的卷积层，三个3*3的卷积层串联相当于一个7*7的，但是减少了参数量，增加了非线性变换，使得CNN的学习能力更强。

                                 图1   VGGNet的ABCDE结构
VGGNet训练的时候有一些技巧，先训练前面浅层A，作为后面深层BCDE网络的初始化参数，收敛更快。在训练中，应用了multi-sale做图像增强，增加数据量，减防止过拟合。在预测时，VGGNet采用multi-sale的方法将图像scale到一个尺寸q，并将图片输入卷积网络计算。
作者对比各级网络总结出：
①LRN层作用不大
②越深的网络效果越好
③1*1的卷积也是有效的，但是没有3*3的卷积好，大一些的卷积核可以学习更大的空间特征。
2.VGGNet网络tensorflow实现

啦啦啦~后续待进啦啦啦~