VGGNet模型有A-E五种结构网络，深度分别为11，11，13，16，19，其中VGG16和VGG19较为典型。VGG网络结构如下图所示。

VGG16介绍：

在卷积层1（conv3_64）,卷积层2（conv3_128）,卷积层3（conv3_256）,卷积层4（conv3_512）

分别有64个，128个，256个，512个3X3卷积核，在每两层之间有池化层stride为2的2X2池化矩阵（maxpool）。在卷积层5（conv3_512）后有全连接层，再之后是soft-max预测层。

（1）conv3-64 ：是指第三层卷积后维度变成64，同样地，conv3-128指的是第三层卷积后              维度变成128；

（2）input(224X224 RGB image)指的是输入图像大小为224X224的彩色图像，通道为3，             即224X224X3

（3）maxpool 是指最大池化，在VGG16中，pooling采用的是2x2的最大池化方法；

（4）FC-4096 指的是全连接层中有4096个节点，同样地，FC-1000为该层全连接层有1000           个节点；

（5）padding指的是对矩阵在外边填充n圈，padding=1即外边缘填充1圈，5x5大小的矩                  阵，填充一圈后变成7x7大小； 在进行卷积操作的过程中，处于中间位置的数值容易              被进行多次的提取，但是边界数值的特征提取次数相对较少，为了能更好的把边界数              值也利用上，所以给原始数据矩阵的四周都补上一层0，这就是padding操作。

（6）vgg16每层卷积的滑动步长stride=1，padding=1。

 从上图可以看出VGG16由13个卷积层+3个全连接层=16层构成，过程为：

（1）输入224*224*3的图片

（2）conv1_1+conv1_2+pool1:经过64个3*3卷积核的两次卷积后，采用一次max pooling。           经过第一次卷积后有3*3*3*64=1728个训练参数；第二次卷积后有3*3*64*64=36864              个训练参数，大小变为112*112*64 （池化层采用尺寸为2X2，stride=2，max的池化方          式，使得池化后的层尺寸长宽为未池化前的1/2）

（3）conv2_1+conv2_2+pool2:经过两次128个3*3卷积核卷积后，采用一次max pooling，             有3*3*128*128=147456个训练参数，大小变为56*56*128

（4）conv3_1+conv3_2+conv3_3+pool3:经过三次256个3*3卷积核卷积后，采用一次max              pooling，有3*3*256*256=589824个训练参数，大小变为28*28*256

（5）conv4_1+conv4_2+conv4_3+pool4:经过三次512个3*3卷积核卷积后，采用一次max

          pooling，有3*3*512*512=2359296个训练参数，大小变为14*14*512

（6）conv5_1+conv5_2+conv5_3+pool5:经过三次512个3*3卷积核卷积后，采用一次max

          pooling，有3*3*512*512=2359296个训练参数，大小变为7*7*512

（7）利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,4096)。共进行两次。

（8）利用卷积的方式模拟全连接层，效果等同，输出net为(1,1,1000)。

最后输出的就是每个类的预测。

数据与训练

1.输入处理

如果要使用224x224的图作为训练的输入，用S表示图片最小边的值，当S=224时这个图就直接使用，直接将多余的部分减掉；对于S远大于224的，模型将对图像进行单尺度和多尺度的剪裁，通过剪切这个图片中包含object的子图作为训练数据。

2.训练方式

采用带动量的小批量梯度下降法，来优化目标函数，并且当学习效果较为满意时，最初加入的学习率权重衰减系数会起作用，会减小学习率，缓慢达到最优解。

3.初始化

若为浅层，则先随机初始化后训练，深层采用浅层训练后的数据作为初始化数据，中间层则随机初始化。

特色

 1、卷积层均采用相同的卷积核参数，这样就能够使得每一个卷积层（张量）与前一层（张         量）保持相同的宽和高；

2、池化层均采用相同的池化核参数，池化层采用尺寸为2X2，stride=2，max的池化方式，        使得池化后的层尺寸长宽为未池化前的1/2；

3、利用小尺寸卷积核等效大尺寸卷积核，2个3X3卷积核的感受野与1个5X5卷积核相当，3          个3X3卷积核与1个7X7卷积核相当，故在特征提取效果相当时，多个小卷核与大卷积核          相比，学习参数更少，计算量较小，训练更加快速，还能增加网络的深度，提升模型性          能。

卷积后的feature map大小为N：

N=(W-F+2P)/S+1

W:输入图片的大小W*W

F:Filter(滤波器)大小F*F ->=卷积核大小

S:步长

P：padding的像素数

假设feature map是28×28的，假设卷记的步长step=1，padding=0：
使用一层5X5卷积核
由(28−5)/1+1=24可得，输出的feature map为24X24
使用两层3X3卷积核
第一层，由(28−3)/1+1=26可得，输出的feature map为26X26
第二层，由(26−3)/1+1=24可得，输出的feature map为24X24
故最终尺寸结果相等，用3X3卷积核代替7X7卷积核同理。

VGG网络搭建 

VGG网络可以分为两个部分：提取特征网络结构和分类网络结构

不同网络结构配置 

#cfgs字典文件，字典的每个key代表每个模型的配置文件
cfgs = {'vgg11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],    #列表中的数字代表卷积层卷积核的个数，M代表池化层的结构(maxpool)'vgg13': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'],'vgg16': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'],'vgg19': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512, 'M'],
}

特征提取网络

def make_features(cfg: list):          #生成提取特征网络(list类型)layers = []                        #定义一个空列表用来盛放定义的每一层结构in_channels = 3                    #输入的图片是RGB图像for v in cfg:                      #for循环来遍历配置列表if v == "M":                   #如果配置元素是M，那么说明该层为最大池化层，那么就创建一个最大池化下采样层layers += [nn.MaxPool2d(kernel_size=2, stride=2)]else:                          #否则该层为卷积层，则创建卷积操作conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)layers += [conv2d, nn.ReLU(True)]   #将定义的卷积层和ReLU激活函数拼接并添加到layers列表中in_channels = v                     #当特征矩阵通过该层卷积后其输出变成vreturn nn.Sequential(*layers)               #将列表通过非关键字参数的形式传入(*代表通过非关键字形式，sequential要求)

分类网络

        self.classifier = nn.Sequential(            #生成分类网络结构nn.Linear(512*7*7, 4096),               #展平处理nn.ReLU(True),nn.Dropout(p=0.5),nn.Linear(4096, 4096),nn.ReLU(True),nn.Dropout(p=0.5),nn.Linear(4096, num_classes))

参考：

(1条消息) VGG预训练模型网络结构详解——以VGG16为例_飞天长虹的博客-CSDN博客_vgg16预训练模型https://blog.csdn.net/fan_weiqiang/article/details/116545559?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522165061995916782248580763%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=165061995916782248580763&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-1-116545559.142%5Ev9%5Epc_search_result_control_group,157%5Ev4%5Econtrol&utm_term=vgg16%E7%BD%91%E7%BB%9C%E7%BB%93%E6%9E%84%E8%AF%A6%E8%A7%A3&spm=1018.2226.3001.4187

(1条消息) VGG-16网络结构详解_20Xx太空漫游的博客-CSDN博客_vgg16网络结构https://blog.csdn.net/qq_45998041/article/details/114626473?ops_request_misc=&request_id=&biz_id=102&utm_term=vgg16%E7%BD%91%E7%BB%9C%E7%BB%93%E6%9E%84%E8%AF%A6%E8%A7%A3&utm_medium=distribute.pc_search_result.none-task-blog-2~all~sobaiduweb~default-1-114626473.142%5Ev9%5Epc_search_result_control_group,157%5Ev4%5Econtrol&spm=1018.2226.3001.4187