alexnet在lenet的基礎上增加了卷積層，但alexnet對卷積視窗、輸出通道數和構造順序均做了大量的調整。
雖然alexnet指明了深度卷積神經網路有出色的表現，但並沒有提供簡單的規則以指導後來的研究者如何設計新的網路。
vgg網路是oxford的visualgeometrygroup組提出的，vgg網路是實驗室名字的縮寫。vgg**闡述了其在imagenet 2014挑戰賽上的一些發現，提出了可以通過重複使用基礎塊(block)來構造深度模型。
一般地，構建cnn基礎塊的規律是：
乙個卷積層
乙個非線性啟用函式，例如relu
乙個池化層，例如最大池化層
vgg**中提出的方法是：連續使用數個相同的填充為1、視窗形狀為3 × 3的卷積層後緊接乙個步幅為2、視窗形狀為2 × 2的最大池化層。卷積層保持輸入和輸出的高和寬不變，而池化層對輸入的尺寸減半。
對於給定的感受野(與輸出有關的輸入的區域性大小)，採用堆積的小卷積核優於採用大的卷積核，因為增加網路深度可以保證網路能學習到更複雜的模式，而且整個模型的引數更少，代價還比較小。
我們使用vgg_block()方法來實現這個基礎的vgg塊，這個方法有幾個引數：該塊中卷積層的數量、輸入輸出通道數。
vgg與alexnet、lenet類似，vgg網路分為兩大部分，前半部分是卷積層和池化層模組，後半部分是全連線層模組。
卷積層和池化層模組由多個基礎塊連線組成，即vgg_block()方法返回的基礎塊，我們只需要給vgg_block()方法提供：該塊中包含的卷積層數，該塊的輸入和輸出通道數。我們定義變數conv_arch，該變數是乙個列表，列表中每個元素為元組(a list of tuples)。conv_arch定了每個vgg塊裡卷積層個數和輸入輸出通道數。全連線層模組則跟alexnet中的一樣。下面的vgg()方法會返回整個vgg網路，輸入引數是conv_arch。
現在我們構造乙個vgg網路。它有5個卷積塊，前2塊使用單卷積層，而後3塊使用雙卷積層。第一塊的輸入輸出通道分別是1和64，第一塊的輸入通道數根據所使用的資料集而定，fashion-mnist資料的通道數為1，對於imagenet等資料集，輸入通道數一般為3。之後每次對輸出通道數翻倍，直到變為512。因為這個網路使用了8個卷積層和3個全連線層，所以經常被稱為vgg-11。
在**層面，定義變數conv_arch，中間包含多個元組，每個元組第乙個元素為該塊的卷積層個數，第二個元素為輸出通道數。
conv_arch = ((1, 64), (1, 128), (2, 256), (2, 512), (2, 512))
net = vgg(conv_arch)
vgg通過多個基礎卷積塊來構造網路。基礎塊需要定義卷積層個數和輸入輸出通道數。
vgg**認為，更小(例如3 × 3)的卷積層比更大的卷積層效率更高，因為可以增加更多的層，同時引數又不至於過多。
參考資料
simonyan, k., & zisserman, a. (2014). very deep convolutional networks for large-scale image recognition.
卷積神經網路文字輸入 使用卷積神經網路進行文字分類
cnn 是卷積神經網路，通常用於影象領域，並且在影象分類取得非常好的效果。2014 年 yoon kim 在 convolutional neural networks for sentence classification 中將 cnn 的思想應用到文字處理中，後續很多把 convnet 用在 n...
卷積神經網路的卷積操作
卷積的運算可以分為反轉 平移，相乘，求和。在影象處理中，影象是乙個大矩陣，卷積模板是乙個小矩陣。按照上述過程，就是先把小矩陣反轉，然後平移到某一位置，小矩陣的每乙個小格對應大矩陣裡面的乙個小格，然後把對應小格裡面的數相乘，把所有對應小格相乘的結果相加求和，得出的最後結果賦值給小矩陣 小格對應的影象中...
卷積神經網路的卷積操作
卷積的運算可以分為反轉 平移，相乘，求和。在影象處理中，影象是乙個大矩陣，卷積模板是乙個小矩陣。按照上述過程，就是先把小矩陣反轉，然後平移到某一位置，小矩陣的每乙個小格對應大矩陣裡面的乙個小格，然後把對應小格裡面的數相乘，把所有對應小格相乘的結果相加求和，得出的最後結果賦值給小矩陣 小格對應的影象中...