淺述經典的4種卷積網絡之（2）VGGNet

這裡不對這VGGNet網絡進行詳細的原理闡述，隻是卷積網絡的由來以及網絡結構和網絡參數進行叙述，然後通過tensorflow進行代碼實作，參看《tensorflow實戰》。

1.VGG網絡叙述

獲得2014年ILSVRC比賽分類項目的亞軍，top-5錯誤率7.3%，19層神經網絡。VGGNet探索了其深度與性能的關系，通過反複堆疊3*3的卷積層和2*2的max pooling層，建構了16~19層深的卷積神經網絡，相比之前的state-of-the-art錯誤率下降明顯，且拓展性很強，遷移到其他圖像資料集的泛化性很好，經常用來提出圖像特征。如圖1所示為VGGNet的結構，從A到E每層網絡逐漸加深，前面卷積部分雖然深，但是參數量少，不過計算量大，運作時間長，其中存在的1*1的卷積層的意義在于線性變換，輸入通道數和輸出通道數不變，沒有發生降維。VGGNet擁有5段卷積，每段有2~3個卷積層，同時每段會連接配接一個最大池化層來縮小圖檔尺寸，每段内的卷積核數量不一樣，越靠後卷積數量越多：64->128->256->512->512。兩個3*3的卷積層串聯相當于一個5*5的卷積層，三個3*3的卷積層串聯相當于一個7*7的，但是減少了參數量，增加了非線性變換，使得CNN的學習能力更強。

                                 圖1   VGGNet的ABCDE結構

VGGNet訓練的時候有一些技巧，先訓練前面淺層A，作為後面深層BCDE網絡的初始化參數，收斂更快。在訓練中，應用了multi-sale做圖像增強，增加資料量，減防止過拟合。在預測時，VGGNet采用multi-sale的方法将圖像scale到一個尺寸q，并将圖檔輸入卷積網絡計算。

作者對比各級網絡總結出：

①LRN層作用不大

②越深的網絡效果越好

③1*1的卷積也是有效的，但是沒有3*3的卷積好，大一些的卷積核可以學習更大的空間特征。

2.VGGNet網絡tensorflow實作

啦啦啦~後續待進啦啦啦~