目录
1. VGG 的结构
2. VGG 的网络细节
3. VGG 的代码实现
1. VGG 的结构
牛津大学的视觉几何组（Visual Geometry Group）设计了 VGGNet(也称为 VGG)，一种经典的卷积神经网络 (CNN) 架构。在 2014 年 ILSVRC 分类任务中，VGG 取得了第二名的成绩。现在过去多年，VGG 仍然被广泛应用在图像识别、语音识别、机器翻译、机器人等领域。
VGG 具有 16 层（VGG-16）和 19 层（VGG-19）的卷积神经网络，两者的结构类似，接下来详细解读 VGG-16 的结构，VGG-16 由 13 个卷积层和 3 个全连接层组成（层数是计算全连接层的卷积层个数），如下图所示，图中 conv 为卷积层，pool 为池化层，最后三个 fc 4096 为全连接层。
VGG16相比之前网络的改进是3个3*3卷积核来代替7x7卷积核，2个3*3卷积核来代替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条件下，减少参数，提升了网络的深度。
比如，3个步长为1的卷积核（3*3）的层层叠加，其参数总量为 3*(9*C^2) ，如果直接使用7*7的卷积核，其参数总量为 49*C^2 ，这里 C 指的是输入和输出的通道数。很明显，27*C^2小于49*C^2，即减少了参数。
2. VGG 的网络细节
VGG-16 采用了五组卷积与三个全连接层，最后使用 Softmax 做分类。
VGG-16 有个显著的特点：每次经过池化层后特征图的尺寸减小一倍，而通道数则增加一倍（最后一个池化层除外）。每一层的卷积层的细节如表格所示：
回顾特征图的计算
O 是输出图像，I 是输入图像，
P 是 padding，K 是 kernel size，S 是步长。
输出特征图大小计算公式 O = (I + 2P – K) / S + 1
参数量：K*K* 输入的 channel * 输出的 channel
3. VGG 的代码实现
VGG-16 的五组卷积相似，在撰写代码的时候，可以建一个 Layer 类，通过循环添加每个层的顺序执行，请查看下面的代码 make_layers 函数。
