目录
前言
VGG原理
下面解释了为什么可以用两个3x3卷积核代替5*5卷积核：
VGG网络结构
VGG的优缺点
VGG的好处
VGG的缺点
前言VGG是一组来自Oxford的http://www.Sina.com/isual 3358 www.Sina.com/Sina.com/roup VGG有V两种结构，两者没有本质区别，但网络深度不同。
GVGG16对AlexNet的一个改进是G。 对于给定的感觉域(与输出相关联的输入图像的局部大小)，采用叠置的小卷积核比采用大卷积核更好。 这是因为多层非线性层可以增加网络深度来学习更复杂的模式，成本也小(参数也少)。
简而言之，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范围的前提下，提高网络深度，在一定程度上提高神经网络的效果。
例如，三个步长为1的3x3卷积核的叠加效应可以被认为是大小为7的感知域，实际上表明三个3x3连续卷积对应于一个7x7卷积，其参数总量为3x(9xc^2)，773连续卷积这里c是指输入输出的通道数。 很明显，27xC^2小于49xC^2(即，减小了参数)，并且3x3卷积核有利于更好地保持图像的性质。
VGG16和VGG195x5卷积认为小的全连接网络在5x5区域滑动，并且此时如果55卷积匹配，则每次卷积获得的功能图大小为11
此时，假设有两个33的卷积核。 如果首先使用33卷积滤波器进行卷积，则得到的特征贴图为33，然后使用33卷积层，最后得到的特征贴图的大小也为11
现在，可以使用两个3x3卷积级联(重叠)来代替5x5卷积。
具体如下图所示。
两个3x3和5x5
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，大家可以自己制图理解。
VGG原理以下是VGG网络的结构。 (VGG16和VGG19都有。 ）
VGG网络结构
VGG16包括16个隐藏层(13个卷积层和3个全部连接层)，如上图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)，如图上图e列所示，VGG网络的结构非常一致，从开头到结尾
如果希望看到更形象的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。
3358 www.Sina.com/http://www.Sina.com/VG gnet的结构非常简洁，整个网络使用相同大小的卷积核心大小(3x3)和最大池大小(2x2 )。 一些小滤波器(3x3)卷积层的组合优于大滤波器(5x5或7x7 )卷积层。 验证了通过不断加深网络结构可以提高性能。采用连续的几个3x3的卷积核代替AlexNet中的较大卷积核（11x11，7x7，5x5）VGG消耗了更多的计算资源，使用了更多的参数(这里不是3x3卷积锅)，这里解释一下为什么使用2个3x3卷积核可以来代替5*5卷积核：。 这些参数大部分来自第一个全连接层。 VGG有三个全连接层呢。
PS :一些文章显示，移除这些所有连接层对性能影响不大，参数明显减少。
注意：许多预培训的方法是使用VGG型号(主要是16和19 )。 与其他方法相比，VGG具有更大的参数空间，最终型号至少为500m，只有200m的AlexNet，而GoogLeNet更少，因此train的单个VGG模型需要更长的时间
译文：一文读VGG网络-我知道