浅谈深度神经网络 — VGG

VGG网络

这幅图还是清晰地展现了VGG的网络结构的，VGG由5层卷积层、3层全连接层、最后由softmax输出层构成，层与层之间使用max-pooling（最大化池层）分开，所有隐层的激活单元都采用ReLU函数。（并没有使用LRN，LRN并没有在这个网络中有太大性能提升）

模型简介

VGG模型是2014年ILSVRC竞赛的第二名，第一名是GoogLeNet。但是VGG模型在多个迁移学习任务中的表现要优于googLeNet。而且，从图像中提取CNN特征，VGG模型是首选算法。它的缺点在于，参数量有140M之多，需要更大的存储空间。但是他更容易应用到其他网络改造中，网络改造的首选网络。

模型结构

模型特点

VGG继承AlexNet简单高效的特点，并且它的主要的特点就是核分解。核分解就是一个大的卷积核分成多个连续的小卷积和。例如一个77的相当于，3个33的卷积核，一个55的相当于2个33的卷积核，这样做会直接减少参数的数量。另外也有：

• 减少参数数量
• 降低卷积的计算量
• 增加深度（以上减少网络参数和计算量用于增加网络深度）