经典卷积神经网络——VGGNet

本文内容同个人微信号推送文章：经典卷积神经网络（Classic Convolutional Neural Networks）

♥,.*,.♥,.*,.♥,.*,.♥,.*♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥♥,.*,.♥,.*,.♥,.*,.♥,.*♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥

VGGNet是牛津大学计算机视觉组（University of Oxford）和Google DeepMind与204年提出的卷积神经网络。VGGNet通过反复的堆叠3*3的小型卷积核和2*2的最大池化层，构建了16-19层深的卷积神经网络。其取得了ILSVRC 2014比赛分类项目的第2名和定位项目的第1名。

VGGNet的网络结构图如下图所示：

特点1：

The Use of 1×1 and 3×3 Filters(Reduce the number of parameters)

两个3x3卷积核叠加，相当于一个5x5的卷积核的覆盖范围。但是训练的参数减少了。

By using 2 layers of 3×3 filters, it actually have already covered 5×5 area as in the above figure.

filters	number of parameters
1 layer of 5*5 filter	5*5=25
2 layers of 3*3 filter	3*3+3*3=18

可以看到，一个5x5的卷积核需要训练25个参数，而2层3x3的卷积核需要训练的参数为18个。训练的参数减少，可以加快模型的训练速度，同时避免模型的过拟合。

特点2：

VGGNet的卷积结构中，引入了1*1的卷积核，不影响输入输出维度的情况下，引入非线性变化。增强的网络表达能力，降低计算量。

特点3：

Data Augmentation(Multi-Scale)

通过随机将图像裁剪成224*224尺寸；或者将图片缩放成256×256、284*384尺寸，实现数据的增强。使得模型更加准确。

特点4：

在训练的时候，可以先训练简单的（层数较少）的VGGNet的A级网络，然后使用A网络的权重初始化后面的复杂模型，加快模型的收敛速度。

♥,.*,.♥,.*,.♥,.*,.♥,.*♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥♥,.*,.♥,.*,.♥,.*,.♥,.*♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥,.*,.♥

广告时间：

本宝宝开通了一个公众号，记录日常的深度学习和强化学习笔记。

希望大家可以共同进步，嘻嘻嘻！求关注，爱你呦！