1、網絡結構

VGG16模型很好的適用于分類和定位任務，其名稱來自牛津大學幾何組（Visual Geometry Group）的縮寫。

根據卷積核的大小核卷積層數，VGG共有6種配置，分別為A、A-LRN、B、C、D、E，其中D和E兩種是最為常用的VGG16和VGG19。

介紹結構圖：

• conv3-64 ：是指第三層卷積后維度變成64，同樣地，conv3-128指的是第三層卷積后維度變成128；
• input（224x224 RGB image） ：指的是輸入圖片大小為224244的彩色圖像，通道為3，即224224*3；
• maxpool ：是指最大池化，在vgg16中，pooling采用的是2*2的最大池化方法（如果不懂最大池化，下面有解釋）；
• FC-4096 :指的是全連接層中有4096個節點，同樣地，FC-1000為該層全連接層有1000個節點；
• padding：指的是對矩陣在外邊填充n圈，padding=1即填充1圈，5X5大小的矩陣，填充一圈后變成7X7大小；
• 最后補充，vgg16每層卷積的滑動步長stride=1，padding=1，卷積核大小為333；
  ?

如上圖VGG16的網絡結構為，VGG由5層卷積層、3層全連接層、softmax輸出層構成，層與層之間使用max-pooling（最大化池）分開，所有隱層的激活單元都采用ReLU函數。具體信息如下：

• 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。
• 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。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。

2、VGG16的卷積核

• VGG使用多個較小卷積核（3x3）的卷積層代替一個卷積核較大的卷積層，一方面可以減少參數，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。
• 卷積層全部都是3*3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2*2

3、卷積計算

具體的過程：

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

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

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

max pooling池化，尺寸變為56x56x128

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

max pooling池化，尺寸變為28x28x256

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

max pooling池化，尺寸變為14x14x512

經512個3x3的卷積核，三次卷積，ReLU，尺寸變為14x14x512

max pooling池化，尺寸變為7x7x512

然后Flatten()，將數據拉平成向量，變成一維51277=25088。

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

最后通過softmax輸出1000個預測結果

從上面的過程可以看出VGG網絡結構還是挺簡潔的，都是由小卷積核、小池化核、ReLU組合而成。其簡化圖如下（以VGG16為例）：

?4、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。
5、VGG模型所需要的內存容量

借鑒一下大佬的圖：

?6、總結

• 通過增加深度能有效地提升性能；
• VGG16是最佳的模型，從頭到尾只有3x3卷積與2x2池化，簡潔優美；
• 卷積可代替全連接，可適應各種尺寸的圖片。

總結

以上是生活随笔為你收集整理的深度学习——VGG16模型详解的全部內容，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。