关于
- 个人微信公众号： Mn2+
- 个人博客首页
- 注：学习交流使用！
- 本文简介：VGG网络详解
正文
1、VGG 在2014年由牛津大学著名研究组 VGG（Visual Geometry Group）提出。
2、VGG网络的创新点
（1）通过堆叠多个小卷积核来替代大尺度卷积核，可以减少训练参数，同时能保证相同的感受野。
（2）论文中提到，可以通过堆叠两个3×3的卷积核替代5x5的卷积核，堆叠三个3×3的卷积核替代7x7的卷积核。
3、CNN感受野
（1）卷积神经网络中，决定某一层输出结果中一个元素所对应的输入层的区域大小，被称作感受野（receptive field）。
（2）通俗的解释是，输出feature map上的一个单元 对应 输入层上的区域大小。
（3）以下图为例，输出层 layer3 中一个单元 对应 输入层 layer2 上区域大小为2×2（池化操作），对应输入层 layer1 上大小为5×5（可以这么理解，layer2中 2×2区域中的每一块对应一个3×3的卷积核，又因为 stride=2，所以layer1的感受野为5×5）
（4）感受野的计算公式为：
F(i)=(F(i+1)−1)×Stride +Ksize
* F(i) 为第i层感受野
* Stride为第i层的步距
* Ksize为 卷积核 或 池化核 尺寸
以上图为例：
* Feature map: F ( 3 ) = 1
* Pool1：F ( 2 ) = ( 1 − 1 ) × 2 + 2 = 2
* Conv1: F ( 1 ) = ( 2 − 1 ) × 2 + 3 = 5
4、小卷积核
（1）堆叠两个3×3的卷积核替代5x5的卷积核，堆叠三个3×3的卷积核替代7x7的卷积核。替代前后感受野是否相同？
（注：VGG网络中卷积的Stride默认为1）
Feature map: F = 1 F=1F=1
* Conv3x3(3): F = ( 1 − 1 ) × 1 + 3 = 3
* Conv3x3(2): F = ( 3 − 1 ) × 1 + 3 = 5 （5×5卷积核感受野）
* Conv3x3(1): F = ( 5 − 1 ) × 1 + 3 = 7 （7×7卷积核感受野）
（2）堆叠3×3卷积核后训练参数是否真的减少了？
注：CNN参数个数 = 卷积核尺寸×卷积核深度 × 卷积核组数 = 卷积核尺寸 × 输入特征矩阵深度 × 输出特征矩阵深度。
现假设 输入特征矩阵深度 = 输出特征矩阵深度 = C
*使用7×7卷积核所需参数个数：7 × 7 × C × C = 49 C**2
*堆叠三个3×3的卷积核所需参数个数：3 × 3 × C × C + 3 × 3 × C × C + 3 × 3 × C × C = 27 C**2
5、VGG-16
（1）VGG网络有多个版本，一般常用的是VGG-16模型，其网络结构如下如所示：
（2）稍作计算可以发现，经3×3卷积的特征矩阵的尺寸是不改变的：
关注
个人微信公众号：Mn2+
哔哩哔哩：不爱码字的小懒马儿
