1. 概述

VGG[1]是Oxford的Visual Geometry Group的组提出的，VGG的缩写也来自于这个组的名字。VGG网络探索了提升网络的深度对最终的图像识别准确率的重要性，同时在VGG中尝试使用小的卷积核来构建深层的卷积网络。VGG在当年的ILSVRC 2014上取得了第一的成绩，证明了增加网络的深度能够在一定程度上提高网络的性能。

2. 算法的基本思想

2.1. VGG的原理

在VGG网络中，有两种结构，分别是VGG16和VGG19，两者只是网络深度不一样。以VGG16为例，在VGG16中，相比于AlexNet，其最大的改进是采用几个$3\times 3$的卷积核代替了AlexNet中的较大的卷积核，主要是$11\times 11$，$5\times 5$。相比于大的卷积核，采用多个较小卷积核的堆叠，一方面能通过多层的非线性特性增强模型的学习能力（卷积+ReLU为一个组合），同时能进一步减少模型的参数。

以$5\times 5$的卷积核为例，可通过堆叠两个$3\times3$的卷积核实现$5\times5$的卷积效果，具体过程如下图所示：

$5\times5$卷积核的参数个数为$25+1$个，与$5\times5$的卷积核相比，堆叠两个$3\times3$的参数个数为$9+1+9+1$，在实现了同样的功能的情况下能够减少参数的个数。

2.2. VGG的网络结构

VGG网络的结构的具体参数如下图所示：

由上图可以看出，VGG16和VGG19只是在层数上不一样，VGG16中包含了16个隐藏层，包括13个卷积层和3个全连接层，如上图中的D列所示，VGG19中包含了19个隐藏层，包括16个卷积层和3个全连接层，如上图中的E列所示。

以VGG16为例，参照[2]的参数格式，可以绘制出如下的网络结构：

从上述的网络结构中可以看出，在VGG网络中只包含了卷积+ReLU，pooling，全连接，dropout操作模块，摒弃了在AlexNet中使用的LRN归一化模块，并在实验中验证LRN对于最终效果的影响较小。VGG的整个网络结构相对比较简单，但就是这样简单的网络结构却能提升整体的识别效果，这得益于较深的网络结构。在上述的结构中：

• data：大小为$224\times 224\times 3$
• 第一组卷积（包括conv1_1，relu1_1，conv1_2，relu1_2，pool1）
  • conv1_1：输入（$224\times 224\times 3$），输出：（$224\times 224\times 64$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$64$）
  • relu1_1：输入（$224\times 224\times 64$），输出（$224\times 224\times 64$）
  • conv1_2：输入（$224\times 224\times 64$），输出：（$224\times 224\times 64$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$64$）
  • relu1_2：输入（$224\times 224\times 64$），输出（$224\times 224\times 64$）
  • pool1：输入（$224\times 224\times 64$），输出（$112\times 112\times 64$，其中，核的大小为$2\times2$，步长S为$2$）
• 第二组卷积（包括conv2_1，relu2_1，conv2_2，relu2_2，pool2）
  • conv2_1：输入（$112\times 112\times 64$），输出：（$112\times 112\times 128$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$128$）
  • relu2_1：输入（$112\times 112\times 128$），输出（$112\times 112\times 128$）
  • conv2_2：输入（$112\times 112\times 128$），输出：（$112\times 112\times 128$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$128$）
  • relu2_2：输入（$112\times 112\times 128$），输出（$112\times 112\times 128$）
  • pool2：输入（$112\times 112\times 128$），输出（$56\times 56\times 128$，其中，核的大小为$2\times2$，步长S为$2$）
• 第三组卷积（包括conv3_1，relu3_1，conv3_2，relu3_2，conv3_3，relu3_3，pool3）
  • conv3_1：输入（$56\times 56\times 128$），输出：（$56\times 56\times 256$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$256$）
  • relu3_1：输入（$56\times 56\times 256$），输出（$56\times 56\times 256$）
  • conv3_2：输入（$56\times 56\times 256$），输出：（$56\times 56\times 256$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$256$）
  • relu3_2：输入（$56\times 56\times 256$），输出（$56\times 56\times 256$）
  • conv3_3：输入（$56\times 56\times 256$），输出：（$56\times 56\times 256$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$256$）
  • relu3_3：输入（$56\times 56\times 256$），输出（$56\times 56\times 256$）
  • pool3：输入（$56\times 56\times 256$），输出（$28\times 28\times 256$，其中，核的大小为$2\times2$，步长S为$2$）
• 第四组卷积（包括conv4_1，relu4_1，conv4_2，relu4_2，conv4_3，relu4_3，pool4）
  • conv4_1：输入（$28\times 28\times 256$），输出：（$28\times 28\times 512$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$512$）
  • relu4_1：输入（$28\times 28\times 512$），输出（$28\times 28\times 512$）
  • conv4_2：输入（$28\times 28\times 512$），输出：（$28\times 28\times 512$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$512$）
  • relu4_2：输入（$28\times 28\times 512$），输出（$28\times 28\times 512$）
  • conv4_3：输入（$28\times 28\times 512$），输出：（$28\times 28\times 512$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$512$）
  • relu4_3：输入（$28\times 28\times 512$），输出（$28\times 28\times 512$）
  • pool4：输入（$28\times 28\times 512$），输出（$14\times 14\times 512$，其中，核的大小为$2\times2$，步长S为$2$）
• 第五组卷积（包括conv5_1，relu5_1，conv5_2，relu5_2，conv5_3，relu5_3，pool3）
  • conv5_1：输入（$14\times 14\times 512$），输出：（$14\times 14\times 512$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$512$）
  • relu5_1：输入（$14\times 14\times 512$），输出（$14\times 14\times 512$）
  • conv5_2：输入（$14\times 14\times 512$），输出：（$14\times 14\times 512$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$512$）
  • relu5_2：输入（$14\times 14\times 512$），输出（$14\times 14\times 512$）
  • conv5_3：输入（$14\times 14\times 512$），输出：（$14\times 14\times 512$，其中，卷积核大小为$3\times3$，padding为$1$，步长S为$1$，卷积核的个数为$512$）
  • relu5_3：输入（$14\times 14\times 512$），输出（$14\times 14\times 512$）
  • pool5：输入（$14\times 14\times 512$），输出（$7\times 7\times 512$，其中，核的大小为$2\times2$，步长S为$2$）
• 第一组全连接（包括fc6，relu6，drop6）
  • fc6：输入（$7\times 7\times 512$，通过flatting，得到$25088$），输出（$4096$）
  • relu6：输入（$4096$），输出（$4096$）
  • drop6：输入（$4096$），输出（$4096$）
• 第二组全连接（包括fc7，relu7，drop7）
  • fc7：输入（$4096$），输出（$4096$）
  • relu7：输入（$4096$），输出（$4096$）
  • drop7：输入（$4096$），输出（$4096$）
• 第三组全连接（包括fc8）：输入（$4096$），输出（$1000$）

3. 总结

VGG网络结构相对比较简洁，整个网络结构中只用到了$3\times3$的卷积核和$2\times2$的最大池化，通过堆叠小的卷积核实现较大卷积的操作，通过这样的方式加深了网络的结构，但是在网络中还是出现计算量较大的情况，主要是出现在最后的几组全连接层，其中第一个全连接fc6的参数为$25088\times4096+4096=102764544$。

参考文献

[1] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint arXiv:1409.1556, 2014.

[2] https://dgschwend.github.io/netscope/#/preset/vgg-16

[3] 一文读懂VGG网络

[4] VGG in TensorFlow