轉載
https://blog.csdn.net/weixin_43496706/article/details/101210981

1.網絡結構
根據卷積核大小和卷積層數，VGG共有6中配置，分別為A,A-LRN,B,C,D,E，其中D和E兩種最為常用，即i我們所說的VGG16和VGG19。看下圖紅色框所示。具體為：

卷積-卷積-池化-卷積-卷積-池化-卷積-卷積-卷積-池化-卷積-卷積-卷積-池化-卷積-卷積-卷積-池化-全連接-全連接-全連接 。

通道數分別為64，128，512，512，512，4096，4096，1000。卷積層通道數翻倍，直到512時不再增加。通道數的增加，使更多的信息被提取出來。全連接的4096是經驗值，當然也可以是別的數，但是不要小于最后的類別。1000表示要分類的類別數。

所有的激活單元都是Relu 。

用池化層作為分界，VGG16共有6個塊結構，每個塊結構中的通道數相同。如下圖藍色所示。因為卷積層和全連接層都有權重系數，也被稱為權重層，其中卷積層13層，全連接3層，池化層不涉及權重。所以共有13+3=16層。

對于VGG16卷積神經網絡而言，其13層卷積層和5層池化層負責進行特征的提取，最后的3層全連接層負責完成分類任務。
在這里插入圖片描述
在這里插入圖片描述

2.VGG16的卷積核
卷積層全部都是33的卷積核，用上圖中conv3-xxx表示，xxx表示通道數。其步長為1，用padding=same填充。
池化層的池化核為22
3. 卷積計算
1）輸入圖像尺寸為224x224x3，經64個通道為3的3x3的卷積核，步長為1，padding=same填充，卷積兩次，再經ReLU激活，輸出的尺寸大小為224x224x64

2）經max pooling（最大化池化），濾波器為2x2，步長為2，圖像尺寸減半，池化后的尺寸變為112x112x64

3）經128個3x3的卷積核，兩次卷積，ReLU激活，尺寸變為112x112x128

4）max pooling池化，尺寸變為56x56x128

5）經256個3x3的卷積核，三次卷積，ReLU激活，尺寸變為56x56x256

6）max pooling池化，尺寸變為28x28x256

7）經512個3x3的卷積核，三次卷積，ReLU激活，尺寸變為28x28x512

8）max pooling池化，尺寸變為14x14x512

9）經512個3x3的卷積核，三次卷積，ReLU，尺寸變為14x14x512

10）max pooling池化，尺寸變為7x7x512

11）然后Flatten()，將數據拉平成向量，變成一維51277=25088。

11）再經過兩層1x1x4096，一層1x1x1000的全連接層（共三層），經ReLU激活

12）最后通過softmax輸出1000個預測結果

權重參數（不考慮偏置）
1)輸入層有0個參數，所需存儲容量為224x224x3=150k
2）對于第一層卷積，由于輸入圖的通道數是3，網絡必須要有通道數為3的的卷積核，這樣的卷積核有64個，因此總共有（3x3x3）x64 = 1728個參數。
所需存儲容量為224x224x64=3.2M
計算量為：輸入圖像224×224×3，輸出224×224×64，卷積核大小3×3。所以Times=224×224×3x3×3×64=8.7×107

3）池化層有0個參數，所需存儲容量為 圖像尺寸x圖像尺寸x通道數=xxx k
4）全連接層的權重參數數目的計算方法為：前一層節點數×本層的節點數。因此，全連接層的參數分別為：
7x7x512x4096 = 1027,645,444
4096x4096 = 16,781,321
4096x1000 = 4096000
按上述步驟計算的VGG16整個網絡總共所占的存儲容量為24M*4bytes=96MB/image 。所有參數為138M
VGG16具有如此之大的參數數目，可以預期它具有很高的擬合能力；但同時缺點也很明顯：
即訓練時間過長，調參難度大。
需要的存儲容量大，不利于部署。

時間復雜度
1）卷積層的時間復雜度大致是同一數量級的
2）隨著網絡深度加深，卷積層的空間復雜度快速上升（每層的空間復雜度是上層的兩倍）
3）全連接層的空間復雜度比卷積層的最后一層還大

特點
1）小的卷積核 ：3x3的卷積核
2）小的池化核 ：2x2的池化核
3）層數更深特征圖更寬 ：基于前兩點外，由于卷積核專注于擴大通道數、池化專注于縮小寬和高，使得模型架構上更深更寬的同時，計算量緩慢的增加；
4）全連接轉卷積 ：網絡測試階段將訓練階段的三個全連接替換為三個卷積，測試重用訓練時的參數，使得測試得到的全卷積網絡因為沒有全連接的限制，因而可以接收任意寬或高為的輸入。

感受野
VGG主要使用較小的卷積核代替較大的卷積核。在VGG16中，作者認為兩個3x3的卷積堆疊獲得的感受野大小，相當一個5x5的卷積；而3個3x3卷積的堆疊獲取到的感受野相當于一個7x7的卷積。這樣做一方面可以減少參數，增加了網絡深度，另一方面相當于進行了更多的非線性映射，可以增加網絡的擬合/表達能力。
在這里插入圖片描述
1）替代性
下圖為2個3x3的卷積核代替1個5x5
在這里插入圖片描述
下圖為3個3x3的卷積核代替1個7x7
在這里插入圖片描述
2）參數減少
對于2個3x3卷積核，所用的參數總量為2x(3x3)xchannels, 對于1個5x5卷積核為5x5xchannels
對于3個3x3卷積核，所用的參數總量為3x(3x3)xchannels, 對于1個7x7卷積核為7x7xchannels
因此可以顯著地減少參數的數量。

VGG16共有6個塊結構，每個塊結構中的通道數相同。如下圖藍色所示。因為卷積層和全連接層都有權重系數，也被稱為權重層，其中卷積層13層，全連接3層，池化層不涉及權重。所以共有13+3=16層。

總結

以上是生活随笔為你收集整理的VGG16网络的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。