1. 前言

VGG是由牛津大学视觉组（Visual Geometry Group，Vgg的名称也是来源于此）在2014年的论文《Very Deep Convolutional Networks for Large-Scale Visual Recognition》中提出的卷积神经网络模型。

VGG将LeNet和AlexNet奠定的经典串行卷积神经网络结构的深度和性能发挥到极致，主要特点是网络层数较深，有16层或19层，宽度（卷积核个数）逐层加宽。

将所有卷积核设置为3 x 3，减少参数量和计算量，共设置5个block，每进入新的block，卷积核个数翻倍。

使用2×2的最大池化操作，将输入图像的空间维度减半。

这种小卷积核的使用减少了网络中的参数数量，并使其更易于训练。此外，VGG采用了全连接层作为输出层，以实现对图像的分类。

VGG在多个计算机视觉任务中表现出色，例如图像分类、物体检测和语义分割等。在ImageNet大规模视觉识别竞赛中，VGG取得了非常好的成绩，是2014年ImageNet图像分类竞赛亚军，定位竞赛冠军。

VGG16和VGG19经常作为各类计算机视觉任务的迁移学习骨干网络（足够简单）。

VGG模型结构虽然简单，但臃肿复杂，参数过多（超过一亿个），速度慢，第一个全连接层占据了大量参数。

2. 网络结构

如上图所示，为VGG的主要结构和6种配置，VGG实际上是在前面的Alexnet和Zfnet上改进而来，同样也是分为5个卷积block，与前面两个网络不同的是，VGG放弃7*7的大卷积核和stride=2的下采样操作，选择几乎全部使用3*3卷积（配置C中尝试了1*1）。

网络设计细节：

• 使用3*3卷积
• 卷积的stride都使用1
• 使用Relu激活函数
• 5个max-pooling 层，2*2的范围，也就是缩小两倍
• 没有归一化
• 3个全连接层

上面尝试了11到19层的网络，这里的层数主要只可学习的层的数量，下面是VGG16的具体网络图：

随着网络的加深，feature map的宽高逐渐减少，通道数逐渐增加（每个block是上一个block的2倍），最后一个卷积层后接三个全连接层，最后用softmax输出概率。

3. 为什么使用3*3卷积核

• 堆叠的卷积层能够提供更大的感受野，如两个3*3卷积层，可以提供5*5的感受野，3个3*3卷积层可以提供7*7的感受野。
• 引入更多的非线性
• 减少参数数量

4. VGG网络横向对比

首先根据2.中的网络配置表，各个网络的参数量如下：

其中VGG19（E）是最臃肿的，达到1.44亿的参数量。

然后是网络在测试集上的性能对比：

可以看到VGG16和VGG19的精度是差不多的，但是VGG16比VGG19少了4百万参数，因此也导致人们更喜欢使用VGG16在自己的任务上进行迁移学习。

在这篇论文中，作者证明了AlexNet中使用的LRN技巧是没什么作用的（模型A-LRN），另外没有采用1*1卷积（模型C）。

5. 训练

这里提一下数据处理部分，如上图所示，训练图片的尺寸，选取一个固定的最小边 S对原图进行缩放（蓝色区域），然后在 S 上截取大小为 224×224 的区域。S 的选取有两种方式：

• 第一种：固定 S 的方式，一个是选取一个固定的 S，另一个是选取两个固定的 S，分别为 256（AlexNet、ZFNet有使用） 和 384 。对于一个给定的神经网络配置，首先训练 S=256。为了加速训练 S=384 的网络，会使用预训练的 S=256 网络的权重来初始化参数，然后使用更好的初始化学习速率 1e-3 。
• 第二种：设置 S 为多尺度，每次训练图片，都通过从一确定的范围[Smin, Smax] （通常值为 Smin=256 、Smax=512）随机采样一个 S ，使用此 S 来缩放图片。因为图片中的物体有不同的尺寸，通过 S 多尺度，这样的情况就被考虑了进去。

因为速度的原因，论文中训练多尺寸模型时，是通过微调（ fine-tuning）具有相同配置的，固定尺寸 S=384 的预训练模型的所有层。

6. 测试

测试是一个比较迷的操作，作者将测试时的图片最小边定义为Q，而且并不等于训练时的输入边长S，因此输入的宽高是不定的。

作者将最后的三个全连接层，转为等价的卷积层，如下图所示：

原始网络（Fc部分），以224*224*3为输入，最后一个一个卷积层输出尺寸为7*7*512，后面接一个4096维的全连接层，可以将此全连接层等价成一个7*7*512*4096的卷积层，然后同样的第二、三个全连接层可以等价为一个1*1*4096*4096的全连接层，最后得到一个n*n*1000的张量（取决于输入图片的大小），然后使用全局平均池化，将其转为1*1*1000，flatten后就是一个1000的向量，接softmax之后输出概率。

7. 其他

后面做了很多评估实验，如单尺寸评估，多尺寸评估，多裁剪评估，多模型融合等技巧。

他们在定位、动作识别等任务中的表现。

总的来说，VGG是在传统的串行卷积神经网络中的王者，进一步证明了增加网络深度对模型学习的有利性，而且3*3卷积的大量使用，也为后面的人提供了一个很好的方向，由于其简单有效，后续很多人在自己的任务中都选择了VGG做为主干网络。

不过VGG的弊病是，最后的全连接层，导致参数量过大，网络总体显得特别臃肿。

8. 参考

[1] 【精读AI论文】VGG深度学习图像分类算法

[2] VGG 论文阅读记录

[3] 【深度学习】经典神经网络 VGG 论文解读

（完）