1. VGG-Net网络的特点
自从AlexNet在ILSVRC2012上面大放光芒之后，接下参加ImageNet竞赛的所有top模型基本上都采用了CNN网络架构。CNN网络架构在2013年没有很大的进展，其中相对引人注目的一个模型被称为ZF-Net，来自下面这篇论文：
这篇论文的亮点是做了一些CNN网络中各个卷积层feature map的可视化工作，试图解释不同深度/level的卷积层到底学习到了图像内容的哪些特征，探究CNN从低层到高层是如何一步步先提取图像的低级特征，然后对低级特征进行组合，进而得到更加抽象的高级语义特征的。
但从网络结构上来说，ZF-Net没什么亮点，只是对AlexNet进行了小修小补（比如把AlexNet第一个卷积层kernel=11x11/s=4改为kernel=7x7/s=2），最终在ImageNet分类竞赛上面的top-5准确率，也只从AlexNet的16.4%提升到ZF-Net的14.8%。
而在接下来的2014年，CNN网络架构设计迎来了第二次爆发，代表性的两个模型是VGG-Net和GoogleNet。这一节介绍VGG-Net。
VGG-Net这篇论文的主要亮点有：
- 通过详细的对比试验，探究了在统一的CNN网络架构下，不同深度的卷积层对CNN网络性能的影响；
- 卷积层全部使用了3X3的卷积核，组成了一个相当优雅的网络结构，并指出了小的卷积核的优势；
- 从CNN分类网络构成思想来看，VGG-Net延续了包括LeNet-5、AlexNet以及ZF-Net在内的一贯作风，即卷积层+全连接层的网络组成，一系列卷积层用于提取图像特征，最后使用3个全连接层/MLP用作分类器，并且将这一构成模式发挥到了极致，通过后面我们对NIN/Inception/ResNet的分析中将会看到，全连接层的使用会大大增加CNN分类模型的空间复杂度（正比于模型参数数量，也可以从模型文件的大小来理解），对于分类网络来说，使用全局平均池化（global average pooling）层代替全连接层是更优的选择。
VGG-Net总共包含了5个版本ABCDE，每个版本的网络结构如下表所示：
VGG-Net网络设计的特点如下：
所有VGG-Net版本在全连接层部分完全相同，所有卷积层完全相同：kernel=3x3，padding=1，stride=1，这样造成的结果是，卷积前后图像/feature map的尺寸保持不变。通过5个kernel=2x2，stride=2的最大池化层来逐渐减小feature map的分辨率；
5个VGG-Net版本，从A-E，通过逐渐增加卷积层，使得模型的性能逐渐提升，很好地验证了CNN网络的深度/depth对网络性能的影响，网络越深，模型性能越好；
-
全程使用3x3的小卷积核，是VGG-Net的另一大特点，我们知道，对于感受野来讲，2个3x3卷积相当于1个5x5卷积操作，3个3x3卷积相当于1个7x7卷积，那3个3x3卷积相比于1个7x7卷积有什么优势呢？具体包含两个优点：
- 第一点，3个3x3卷积包含了3个Relu非线性层，1个7x7卷积只有一个Relu非线性层，显然3个Relu层能使得学习到的决策函数的识别能力更强；
- 第二点，3个3x3卷积相比于1个7x7卷积，包含了更少的模型参数。假设输入层和输出层的通道数都为C，3个3x3卷积总共包含3x3x3xCxC=27C2个权重参数，而1个7x7卷积包含7x7xCxC=49C2个权重参数，多了81%，更少的权重参数，使得模型更不容易过拟合（over-fitting）。
VGG-Net也有一个缺点，就是网络的模型参数很多，下图是VGG-Net的5个版本的模型参数量：
其中用的最多的是VGG-Net的D版本，习惯上称为VGG16，因为它包含16个权重层。后面我们会知道，VGG-Net的空间复杂度基本上是主流的CNN分类模型中最大的之一。
- 另外，关于VGG-Net的模型的数据增强，训练策略，以及测试时的多尺度/裁剪策略等，不是这一系列文章的重点，感兴趣可以看论文中的细节，我们重点是学习总结每个经典CNN网络的架构设计特点。
2. 总结
VGG-Net延续了分类网络中，卷积层+全连接层的设计特点，全程采用了非常小的3x3卷积核，通过实验，不断加深卷积层的数目，得到了一个结构优雅，同时性能强大的经典CNN模型（唯一的缺点是模型复杂度很大），值得一提的是，虽然VGG16在2014年的ImageNet分类竞赛中不敌GoogleNet只得了亚军，但那是多个模型融合后的结果，单个模型的性能的话，VGG16是比GoogleNet强的。这也侧面地证明了VGG卷积架构的优异性。
因此在随后几年，其他领域比如目标检测、场景文本检测以及风格迁移，很多经典模型都使用了VGG16的卷积部分作为特征提取主干网络。
