经典卷积网络--VGGNet

经典卷积网络--VGGNet

• 1、VGGNet网络模型
• 2、VGGNet网络模型搭建（使用Tensorflow）
• 3、完整代码实现(使用CIFAR10数据集)

借鉴点：小卷积核减少参数的同时，提高识别准确率；网络结构规整，适合并行加速。

1、VGGNet网络模型

  在 AlexNet 之后，另一个性能提升较大的网络是诞生于 2014 年的 VGGNet，其 ImageNet Top5 错误率减小到了 7.3 %。

  VGGNet 网络的最大改进是在网络的深度上，由 AlexNet 的 8 层增加到了 16 层和 19 层， 更深的网络意味着更强的表达能力，这得益于强大的运算能力支持。VGGNet 的另一个显著特点是仅使用了单一尺寸的 3 * 3 卷积核，事实上，3 * 3 的小卷积核在很多卷积网络中都被大量使用，这是由于在感受野相同的情况下，小卷积核堆积的效果要优于大卷积核，同时参数量也更少。VGGNet 就使用了 3 * 3 的卷积核替代了 AlexNet 中的大卷积核（11 * 11、7 * 7、 5 * 5），取得了较好的效果（事实上我上一篇利用 Keras 实现 AlexNet 时已经采取了这种方式）， VGGNet16 的网络结构如图所示。