《Very Deep Convolutional Networks for Large-Scale Image Recognition》
arxiv:https://arxiv.org/ABS/1409.1556 intro:iclr 2015 home page:http://www.robots.ox.AC.uk/~ vgg/research/ver VGG有两种结构： VGG16和VGG19。 两者没有本质上的区别，但网络的深度不同。
VGG原理VGG16与AlexNet相比的一个改善点是，连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）对于给定的感受范围(与输出相关的输入图像的局部大小)，采用堆积的小卷积核是优于采用大的卷积核，因为多层非线性层可以增加网络深度来保证学习更复杂的模式，而且代价还比较小（参数更少）
简单来说，VGG使用3个3x3卷积核代替7x7卷积核，使用2个3x3卷积核代替5*5卷积核。 这样做的主要目的是在保证具有相同感知野的前提下，提高网络深度，在一定程度上提高神经网络的效果。
例如，3个步骤为1的3x3卷积核的重叠作用可被视为量值为7的感觉野，实际上指示3个3x3连续卷积对应于一个7x7卷积，其参数总量为3x(9xc^2) 这里c是指输入输出的通道数。 显然，27xC^2小于49xC^2，即减少了参数，且3x3卷积核有利于更好地保持图像性质。
这里说明为什么可以用两个3x3卷积核代替5*5卷积核：
5x5卷积可以被视为在5x5区域中滑动的小的全连接网络。 首先用3x3卷积滤波器进行卷积，然后用所有连接层连接这个3x3卷积输出。 该所有连接层也可以视为3x3卷积层。 现在，您可以使用两个3x3卷积级联(叠加)来代替5x5卷积。
具体如下图所示。
为什么可以用3个3x3卷积核代替7*7卷积核，推导过程与上述类似，大家可以自己作图理解。
VGG网络结构下有VGG网络的结构。 有VGG16和VGG19。
VGG16包括16个隐藏层(13个卷积层和3个全部连接层)，如上图的d列所示，VGG19包括19个隐藏层) 16个卷积层和3个全部连接层)，如上图的e列所示，VGG网络的结构非常一致，从最初到最后
如果要查看更形象化的VGG网络，可以使用经典的卷积神经网络(CNN )结构可视化工具查看高清晰度、无代码的VGG网络。
VGG优点和缺点VGG优点VGGNet的结构非常简洁，整个网络使用了同样大小的卷积核心大小(3x3 )和最大池大小(2x2 )。
一些小滤镜(3x3)卷积层的组合优于大滤镜(5x5或7x7)卷积层。
验证了深化网络结构可以提高性能。
VGG的缺点VGG消耗更多的计算资源，使用更多的参数(这里不是3x3卷积锅)，引起更多的内存消耗(140米)。 大多数这些参数来自第一个完全连接层。 VGG有三个全连接层呢。
PS :一些文章发现，移除所有这些连接层对性能影响不大，参数数量显著减少。
注：许多预培训的方法是使用VGG的模型(主要是16和19 )。 与其他方法相比，VGG的参数空间更大，最终的模型有500m以上，AlexNet只有200m，谷歌net更少，所以train的一个VGG模型需要比平时更长的时间
关于感受野：
假设3x3的卷积层每层重叠3个。 (层与层之间存在非线性激活函数。 在这种排列中，第一个卷积层中的每个神经元对于整个输入数据具有33的视野。
代码篇： VGG培训和测试这里推荐两个开源库。 请参阅tensorflow-vgg进行培训，查看tensor flow进行快速测试。
不介绍代码，但实际上与上述一致。 根据原理，code应该会变快。 我尝试了快速奔跑在VGG-in TensorFlow上，可以进行代码测试，效果很好的是nice。 模型的下载很麻烦。
的Amusi已经为你准备了VGG-in TensorFlow的测试代码、模型和图片。 需要的同学请关注CVer微信公众号、后台回复： VGG。
天道酬勤，有很多要学的知识。 想想就很刺激。 ~Fighting！
参照《Very Deep Convolutional Networks for Large-Scale Image Recognition》
深度网络VGG理解
深度学习经典卷积神经网络的VGGNet
VGG16结构可视化
tensorflow-vgg
VGG-in TensorFlow
机器学习高级笔记深刻理解其VGGResidual Network