2014年，牛津大学计算机视觉组（Visual Geometry Group）和Google DeepMind公司一起研发了新的卷积神经网络，并命名为VGGNet。VGGNet是比AlexNet更深的深度卷积神经网络，该模型获得了2014年ILSVRC竞赛的第二名，第一名是GoogLeNet（我们之后会介绍）。
论文《Very Deep Convolutional Networks for Large-Scale Image Recognition》
论文传送门：https://arxiv.org/abs/1409.1556
1. 网络结构
VGG 的结构与 AlexNet 类似，区别是深度更深，但形式上更加简单。VGG由5层卷积层、3层全连接层、1层softmax输出层构成，层与层之间使用maxpool（最大化池）分开，所有隐藏层的激活单元都采用ReLU函数。作者在原论文中，根据卷积层不同的子层数量，设计了A、A-LRN、B、C、D、E这6种网络结构。
这6种网络结构相似，都是由5层卷积层、3层全连接层组成，区别在于每个卷积层的子层数量不同，从A至E依次增加，总的网络深度从11层到19层。表格中的卷积层参数表示为“conv（感受野大小）-通道数”，例如con3-64，表示使用3x3的卷积核，通道数为64；最大池化表示为maxpool，层与层之间使用maxpool分开；全连接层表示为“FC-神经元个数”，例如FC-4096表示包含4096个神经元的全连接层；最后是softmax层。
其中，D表示著名的VGG16，E表示著名的VGG19。下面以VGG16为例，来详细剖析一下VGG的网络结构。VGG16的结构如下图所示：
VGG16总共包含16个子层，第1层卷积层由2个conv3-64组成，第2层卷积层由2个conv3-128组成，第3层卷积层由3个conv3-256组成，第4层卷积层由3个conv3-512组成，第5层卷积层由3个conv3-512组成，然后是2个FC4096，1个FC1000。总共16层，这也就是VGG16名字的由来。
1.1 输入层
VGG输入图片的尺寸是224x224x3。
1.2 第1层卷积层
第1层卷积层由2个conv3-64组成。
该层的处理流程是：卷积-->ReLU--> 卷积-->ReLU-->池化。
卷积：输入是224x224x3，使用64个3x3x3的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(224 2*1-3)/1 1=224
得到输出是224x224x64。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
卷积：输入是224x224x64，使用64个3x3x64的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(224 2*1-3)/1 1=224
得到输出是224x224x64。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
池化：使用2x2，stride=2的池化单元进行最大池化操作（max pooling）。根据公式：
(224 2*0-2)/2 1=112
每组得到的输出为112x112x64。
1.3 第2层卷积层
第2层卷积层由2个conv3-128组成。
该层的处理流程是：卷积-->ReLU--> 卷积-->ReLU-->池化。
卷积：输入是112x112x64，使用128个3x3x64的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(112 2*1-3)/1 1=112
得到输出是112x112x128。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
卷积：输入是112x112x128，使用128个3x3x128的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(112 2*1-3)/1 1=112
得到输出是112x112x128。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
池化：使用2x2，stride=2的池化单元进行最大池化操作（max pooling）。根据公式：
(112 2*0-2)/2 1=56
每组得到的输出为56x56x128。
1.4 第3层卷积层
第3层卷积层由3个conv3-256组成。
该层的处理流程是：卷积-->ReLU--> 卷积-->ReLU-->池化。
卷积：输入是56x56x128，使用256个3x3x128的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(56 2*1-3)/1 1=56
得到输出是56x56x256。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
卷积：输入是56x56x256，使用256个3x3x256的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(56 2*1-3)/1 1=56
得到输出是56x56x256。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
池化：使用2x2，stride=2的池化单元进行最大池化操作（max pooling）。根据公式：
(56 2*0-2)/2 1=28
每组得到的输出为28x28x256。
1.5 第4层卷积层
第4层卷积层由3个conv3-512组成。
该层的处理流程是：卷积-->ReLU--> 卷积-->ReLU-->池化。
卷积：输入是28x28x256，使用512个3x3x256的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(28 2*1-3)/1 1=28
得到输出是28x28x512。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
卷积：输入是28x28x512，使用512个3x3x512的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(28 2*1-3)/1 1=28
得到输出是28x28x512。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
池化：使用2x2，stride=2的池化单元进行最大池化操作（max pooling）。根据公式：
(28 2*0-2)/2 1=14
每组得到的输出为14x14x512。
1.6 第5层卷积层
第5层卷积层由3个conv3-512组成。
该层的处理流程是：卷积-->ReLU--> 卷积-->ReLU-->池化。
卷积：输入是14x14x512，使用512个3x3x512的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(14 2*1-3)/1 1=14
得到输出是14x14x512。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
卷积：输入是14x14x512，使用512个3x3x512的卷积核进行卷积，padding=1，stride=1，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(14 2*1-3)/1 1=14
得到输出是14x14x512。
ReLU：将卷积层输出的FeatureMap输入到ReLU函数中。
池化：使用2x2，stride=2的池化单元进行最大池化操作（max pooling）。根据公式：
(14 2*0-2)/2 1=7
每组得到的输出为7x7x512。
1.7 第1层全连接层
第1层全连接层FC4096由4096个神经元组成。
该层的处理流程是：FC-->ReLU-->Dropout。
FC：输入是7x7x512的FeatureMap，展开为7*7*512的一维向量，即7*7*512个神经元，输出为4096个神经元。
ReLU：这4096个神经元的运算结果通过ReLU激活函数中。
Dropout：随机的断开全连接层某些神经元的连接，通过不激活某些神经元的方式防止过拟合。
1.8 第2层全连接层
第2层全连接层FC4096由4096个神经元组成。
该层的处理流程是：FC-->ReLU-->Dropout。
FC：输入是4096个神经元，输出为4096个神经元。
ReLU：这4096个神经元的运算结果通过ReLU激活函数中。
Dropout：随机的断开全连接层某些神经元的连接，通过不激活某些神经元的方式防止过拟合。
1.9 第3层全连接层
第3层全连接层FC1000由1000个神经元组成，对应ImageNet数据集的1000个类别。
该层的处理流程是：FC。
FC：输入是4096个神经元，输出为1000个神经元。
1.10 softmax层
该层的流程为：Softmax
Softmax：这1000个神经元的运算结果通过Softmax函数中，输出1000个类别对应的预测概率值。
2. 全卷积网络
接着对1.7、1.8、1.9节的内容进行介绍。这三节讲的是全连接网络，VGG16在训练的时候使用的是全连接网络。然而在测试验证阶段，网络结构稍有不同，作者将全连接全部替换为卷积网络。
先介绍做法！
2.1 第1层全连接层
输入为7x7x512的FeatureMap，使用4096个7x7x512的卷积核进行卷积，由于卷积核尺寸与输入的尺寸完全相同，即卷积核中的每个系数只与输入尺寸的一个像素值相乘一一对应，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(7 2*0-7)/1 1=1
得到输出是1x1x4096。相当于4096个神经元，但属于卷积层。
2.2 第2层全连接层
输入为1x1x4096的FeatureMap，使用4096个1x1x4096的卷积核进行卷积，由于卷积核尺寸与输入的尺寸完全相同，即卷积核中的每个系数只与输入尺寸的一个像素值相乘一一对应，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(1 2*0-1)/1 1=1
得到输出是1x1x4096。相当于4096个神经元，属于卷积层。
2.3 第2层全连接层
输入为1x1x4096的FeatureMap，使用1000个1x1x4096的卷积核进行卷积，由于卷积核尺寸与输入的尺寸完全相同，即卷积核中的每个系数只与输入尺寸的一个像素值相乘一一对应，根据公式：
(input_size 2 * padding - kernel_size) / stride 1=(1 2*0-1)/1 1=1
得到输出是1x1x1000。相当于1000个神经元，属于卷积层。
得到1x1x1000的输出之后，最后经过softmax层进行预测类别。
2.4 为什么要将全连接层转变为全卷积层？
作者将三个全连接层转成了1个7×7，和 2 个 1×1 的卷积层。从下图可以看到，以第一个全连接层为例，要转卷积层，FC6的输入是 7×7×512，输出是4096（也可以看做 1×1×4096），那么就要对输入在尺寸上（宽高）降维（从7×7 降到 1×1）和深度（channel 或者 depth）升维（从512 升到4096）。把7×7降到1×1，使用大小为 7×7的卷积核就好了，卷积核个数设置为4096，即卷积核为7×7×4096（下图中的[7×7×512]×4096 表示有 4096 个 [7×7×512] 这样的卷积核，7×7×4096 是简写形式忽略了输入的深度），经过对输入卷积就得到了最终的 1×1×4096 大小的 feature map。
为什么要在模型测试的时候将全连接层转变为全卷积层呢？最直接的原因是让网络模型可以接受任意大小的尺寸。
我们在前面介绍的时候限定了网络输入图片的尺寸是224x224x3。如果后面三个层都是全连接，遇到宽高大于224的图片就需要进行图片的剪裁、缩放或其它处理，使图片尺寸统一到224x224x3，才能符合后面全连接层的输入要求。但是，我们并不能保证每次裁剪都能将图片中的关键目标保留下来，可能裁剪去的部分恰好包含了目标，造成裁减丢失关键目标信息，影响模型的测试精度。
（输出是一个分类得分图，通道的数量和类别的数量相同，空间分辨率依赖于输入图像尺寸。最终为了得到固定尺寸的分类得分向量，将分类得分图进行空间平均化(求和——池化)。我们同样使用水平翻转来对测试集进行数据增强；在原始图像和翻转图像上的soft-max分类概率的平均值作为这幅图像的最终得分。）
使用全卷积层，即使图片尺寸大于224x224x3，最终经过softmax层得到的得分图就不是1x1x1000，例如是2x2x1000，这里的通道1000与类别的数量相同，空间分辨率2x2依赖于输入图像尺寸。然后将得分图进行空间平均化(求和池化)，得到的还是1x1x1000。最后对1000个通道的得分进行比较，取较大值作为预测类别。
这样做的好处就是大大减少特征位置对分类带来的影响。
举个简单的例子：
从上图我们可以看出，猫在原图片中不同的位置，如果使用全连接层很容易使得剪裁之后的图片丢失关键目标。然而使用全卷积层，对原图片直接进行卷积，最终得分图经过求和池化后得到的得分都是1，即不管猫在图片的什么位置，都能判定这张图片中有猫，保证分类正确。保留原图，使用全卷积层，相当于猫在哪我不管，我只要猫，于是我让模型去把这个猫找到，实际就是把feature map整合成一个值，这个值大，就有猫，这个值小，那就可能没猫！和这个猫在图片哪里关系不大了，鲁棒性大大增强。
3. VGG网络特点
3.1 结构简洁
虽然VGG层数较多，总的网络深度从11层到19层，但是它的整体结构还是相对简单。概括来说，VGG由5层卷积层（每个卷积层的子层数量不同）、3层全连接层、softmax输出层构成，层与层之间使用maxpooling（最大化池）分开，所有隐层的激活单元都采用ReLU函数。
3.2 小卷积核
小卷积核是VGG的一个重要特点，VGG没有采用AlexNet中比较大的卷积核尺寸（如7x7），而是通过降低卷积核的大小（3x3），增加卷积子层数来达到同样的性能（VGG：从1到4卷积子层，AlexNet：1子层）。
VGG使用多个较小卷积核（3x3）的卷积层代替一个卷积核较大的卷积层，VGG作者认为两个3x3的卷积堆叠获得的感受野大小，相当一个5x5的卷积；而3个3x3卷积的堆叠获取到的感受野相当于一个7x7的卷积。示意图如下所示：
使用3x3小卷积核的好处有两个方面：
一是大幅度减少模型参数数量。例如使用2个3x3的卷积核代替1个5x5的卷积核，通道数为C，1个5x5的卷积核参数量为5*5*C，2个3x3的卷积核参数量为2*3*3*C，参数两减小了28%。另外，小卷积核选取小的 stride可以防止较大的stride导致细节信息的丢失。
二是多层卷积层（每个卷积层后都有非线性激活函数），增加非线性，提升模型性能。
此外，我们注意到在VGG网络结构D中，还使用了1x1卷积核，1x1卷积核可以在不改变感受野的情况下，增加模型的非线性（后面的非线性激活函数）。同时，还可以用它来整合各通道的信息，并输出指定通道数。通道数减小即降维，通道数增加即升维。
3.3 小池化核
相比AlexNet的3x3的池化核，VGG全部采用2x2的池化核。
3.4 通道数更多，特征度更宽
每个通道代表着一个FeatureMap，更多的通道数表示更丰富的图像特征。VGG网络第一层的通道数为64，后面每层都进行了翻倍，最多到512个通道，通道数的增加，使得更多的信息可以被提取出来。
3.5 层数更深
使用连续的3x3小卷积核代替大的卷积核，网络的深度更深，并且对边缘进行填充，卷积的过程并不会减小图像尺寸。仅使用小的2x2池化单元，减小图像的尺寸。
3.6 全连接转卷积
这部分内容在全卷积网络已经介绍过了。
3.7 模型参数
A、A-LRN、B、C、D、E这6种网络结构的深度虽然从11层增加至19层，但参数量变化不大，这是由于基本上都是采用了小卷积核，参数主要集中在全连接层。
3.8 其他
A-LRN网络结构使用了LRN层（local response normalization，局部响应归一化），这在AlexNet网络中也使用过。但是作者实验发现使用LRN并没有带来性能的提升，因此在其它组的网络中均没再出现LRN层。
从11层的A到19层的E，网络深度增加对top1和top5的错误率下降很明显。
VGG作者用B网络和一个较浅网络比较，较浅网络用1个5x5卷积核来代替B的2个3x3卷积核，结果显示多个小卷积核比单个大卷积核效果要好。
关于VGG的更多细节和实验对比结果，建议大家直接看原论文！
手撕 CNN 系列：
手撕 CNN 经典网络之 LeNet-5（理论篇）
手撕 CNN 经典网络之 LeNet-5（MNIST 实战篇）
手撕 CNN 经典网络之 LeNet-5（CIFAR10 实战篇）
手撕 CNN 经典网络之 LeNet-5（自定义实战篇）
手撕 CNN 经典网络之 AlexNet（理论篇）
手撕 CNN 经典网络之 AlexNet（PyTorch 实战篇）
