命名：16表示除pooling layer外使用conv layer的層數
1.vggnet探索了卷積神經網路的深度與其效能之間的關係，通過反覆堆疊3×3的小型卷積核和2×2的最大池化層，vggnet成功地構築了16-19層深的卷積神經網路；
2.vggnet結構簡潔，整個網路都使用了同樣大小的卷積核尺寸（3×3）和最大池化尺寸（2×2）；
3.擁有5段卷積，每段內有2-3個卷積層，每段段尾連線乙個最大池化層，用來縮小；
4.使用非常多的3*3卷積串聯：
優點：卷積串聯比單獨使用乙個較大的卷積核，擁有更少的參數量，同時會比單獨乙個卷積層擁有更多的非線性變換。
lrn層作用不大
越深的網路效果越好
1*1 卷積很有效，但沒 3 *3的卷積好，大一點的卷積核可以學習更大的空間特徵。
更深的網路和更小的卷積核帶來隱式的正則化效果
卷積神經網路 經典神經網路模型之VGG 16
vgg 16其中的16含義為 含有權重引數的有16層，共包含引數約為1.38億，這是乙個相當大的網路。但是其網路結構很規整簡潔，沒有那麼多的超引數，專注於構建簡單的網路結構 都是幾個卷積層後面跟乙個最大池化層 通過不斷的加深網路結構來提公升效能 但是由此也會帶來訓練的特徵數量非常大的缺點。其網路結構...
深入理解卷積神經網路 VGG16
二 分析 vgg16 的過程 三 理解神經網路 vgg 16 四 用vgg16 來做乙個影象識別案例 vgg是由simonyan 和zisserman在文獻 very deep convolutional networks for large scale image recognition 中提出卷...
卷積神經網路之VGG
vgg可以看成是加深版的alexnet，整個網路由卷積層和全連線層疊加而成，和alexnet不同的是，vgg中使用的都是小尺寸的卷積核 3 times3 結構簡潔，如下圖vgg 19的網路結構 對比，前文介紹的alexnet的網路結構圖，是不是有種賞心悅目的感覺。整個結構只有 3 times3 的卷...