VGGNet是牛津大學計算機視覺組和DeepMind公司共同研發一種深度卷積網絡，并且在２０１４年在ILSVRC比賽上獲得了分類項目的第二名和定位項目的第一名。
1. VGGNet的特點
1、結構簡潔
VGG結構由5層卷積層、3層全連接配接層、softmax輸出層構成，層與層之間使用max-pooling（最大池化）分開，所有隐層的激活單元都采用ReLU函數。
2、小卷積核和多卷積子層
VGG使用多個較小卷積核（3x3）的卷積層代替一個卷積核較大的卷積層，一方面可以減少參數，另一方面相當于進行了更多的非線性映射，可以增加網絡的拟合/表達能力。
小卷積核是VGG的一個重要特點，雖然VGG是在模仿AlexNet的網絡結構，但沒有采用AlexNet中比較大的卷積核尺寸（如7x7），而是通過降低卷積核的大小（3x3），增加卷積子層數來達到同樣的性能（VGG：從1到4卷積子層，AlexNet：1子層）。
VGG的作者認為兩個3x3的卷積堆疊獲得的感受野大小，相當一個5x5的卷積；而3個3x3卷積的堆疊擷取到的感受野相當于一個7x7的卷積。這樣可以增加非線性映射，也能很好地減少參數（例如7x7的參數為49個，而3個3x3的參數為27）
3、小池化核
相比AlexNet的3x3的池化核，VGG全部采用2x2的池化核。
4、通道數多
VGG網絡第一層的通道數為64，後面每層都進行了翻倍，最多到512個通道，通道數的增加，使得更多的資訊可以被提取出來。
5、層數更深、特征圖更寬
由于卷積核專注于擴大通道數、池化專注于縮小寬和高，使得模型架構上更深更寬的同時，控制了計算量的增加規模。
6、全連接配接轉卷積（測試階段）
這也是VGG的一個特點，在網絡測試階段将訓練階段的三個全連接配接替換為三個卷積，使得測試得到的全卷積網絡因為沒有全連接配接的限制，因而可以接收任意寬或高為的輸入，這在測試階段很重要。
如輸入圖像是224x224x3，若後面三個層都是全連接配接，那麼在測試階段就隻能将測試的圖像全部都要縮放大小到224x224x3，才能符合後面全連接配接層的輸入數量要求，這樣就不便于測試工作的開展。
而“全連接配接轉卷積”，替換過程如下：
例如7x7x512的層要跟4096個神經元的層做全連接配接，則替換為對7x7x512的層作通道數為4096、卷積核為1x1的卷積。
2. VGGNet的結構
VGGNet一共有六種不同的網絡結構（A、A-LRN、B、C、D、E），這6種網絡結構相似，都是由5層卷積層、3層全連接配接層組成，其中差別在于每個卷積層的子層數量不同，從A至E依次增加（子層數量從1到4），總的網絡深度從11層到19層（添加的層以粗體顯示）。表格中的卷積層參數表示為“conv⟨感受野大小⟩-通道數⟩”，例如con3-128，表示使用3x3的卷積核，通道數為128。為了簡潔起見，在表格中不顯示ReLU激活功能。其中，網絡結構D就是著名的VGG16，網絡結構E就是著名的VGG19。
以網絡結構D（VGG16）為例，介紹其各層的處理過程如下：
1、輸入224x224x3的圖檔，經64個3x3的卷積核作兩次卷積+ReLU，卷積後的尺寸變為224x224x64
2、作max pooling（最大化池化），池化單元尺寸為2x2（效果為圖像尺寸減半），池化後的尺寸變為112x112x64
3、經128個3x3的卷積核作兩次卷積+ReLU，尺寸變為112x112x128
4、作2x2的max pooling池化，尺寸變為56x56x128
5、經256個3x3的卷積核作三次卷積+ReLU，尺寸變為56x56x256
6、作2x2的max pooling池化，尺寸變為28x28x256
7、經512個3x3的卷積核作三次卷積+ReLU，尺寸變為28x28x512
8、作2x2的max pooling池化，尺寸變為14x14x512
9、經512個3x3的卷積核作三次卷積+ReLU，尺寸變為14x14x512
10、作2x2的max pooling池化，尺寸變為7x7x512
11、與兩層1x1x4096，一層1x1x1000進行全連接配接+ReLU（共三層）
12、通過softmax輸出1000個預測結果
執行過程如下：
VGG16結構的簡化圖如下:
A、A-LRN、B、C、D、E這6種網絡結構的深度雖然從11層增加至19層，但參數量變化不大，這是由于基本上都是采用了小卷積核（3x3，隻有9個參數），這6種結構的參數數量（百萬級）并未發生太大變化，這是因為在網絡中，參數主要集中在全連接配接層。
總結：
1、通過增加深度能有效地提升性能；
2、最佳模型：VGG16，從頭到尾隻有3x3卷積與2x2池化，簡潔優美；
3、卷積可代替全連接配接，可适應各種尺寸的圖檔；
4、多個小卷積核比單個大卷積核性能好；
5、AlexNet曾經用到的LRN層并沒有帶來性能的提升，是以在其它組的網絡中均沒再出現LRN層。