該網路提出了卷積神經網路的深度增加和小卷積核的使用對網路的最終分類識別效果有很大的作用。後兩個網路對卷積核的開刀的優化方法也證明了這一觀點。
在**的實驗中，證明了在大規模影象識別任務中卷積神經網路的深度對準確率的影響。主要的貢獻是利用帶有很小卷積核（3*3）的網路結構對逐漸加深的網路進行評估，結果表明通過加深網路深度至16-19層可以極大地改進前人的網路結構。網路結構如下
網路引數設定
輸入為的經過去均值處理的224x224大小的rgb。
卷積核大小均是3x3，步長為1（stride = 1）padding 為 1。
池化層均採用max pooling，但不是所有的卷積層都有池化層，池化視窗為2x2，步長為2。
所有隱藏層都接上relu層
如上圖所示的vgg16網路帶權層就達到了16層，這在當時已經很深了。網路的前半部分，每隔2~3個卷積層接乙個最大池化層，4次池化共經歷了13個卷積層，加上最後3個全連線層共有16層，也正因此我們稱這個網路為vgg16。
vgg16不僅結構清晰，層引數也很簡單。所有的卷積層都採用3x3的卷積核，步長為1；所有池化層都是2x2池化，步長為2。正因為此，我們看到尺寸變化規律，從224x224到112x112等，直到最後變成7x7。同時我們注意到特徵圖通道的數量也一直在加倍，從64到128最終變成512層。因此vgg16結構圖畫出來非常美觀，實現起來也很規整。
VGG16網路結構
vgg 訓練資料處理過程 let s be the smallest side of an isotropically rescaled training image.各向同性的縮放訓練影象的最小邊 以s 256為例 1.將進行等比例縮放，最小邊長度為256 2.對等比例比變化後的影象隨機擷取224...
VGG 16網路結構詳解
vgg，又叫vgg 16，顧名思義就是有16層，包括13個卷積層和3個全連線層，是由visual geometry group組的simonyan和zisserman在文獻 very deep convolutional networks for large scale image recognit...
VGG16模型理解
vgg16作為很入門的cnn網路，同時也有很多基於vgg16的改進網路，比如用於語義分割的segnet等。1 輸入224x224x3的，經過64個卷積核的兩次卷積後，採用一次pooling。經過第一次卷積後，c1有 3x3x3 個可訓練引數 2 之後又經過兩次128的卷積核卷積之後，採用一次pool...