原文连接：https://blog.csdn.net/qq_40027052/article/details/79015827
注：这篇文章是上面连接作者的文章。在此仅作学习记录作用。
如今深度学习发展火热，但很多优秀的文章都是基于经典文章，经典文章的一句一词都值得推敲很分析。此外，深度学习虽然一直被人诟病缺乏足够令人信服的理论，但不代表我们不能感性分析，下面我们将对2014年夺得ImageNet的定位第一和分类第二的VGG网络进行分析，在此过程中更多的是对这篇经典文章的感性分析，希望和大家共同交流产生共鸣。
论文下载地址：https://arxiv.org/pdf/1409.1556.pdf
开篇首先引用一段来自知乎对同年GoogleNet和VGG的描述：
“GoogLeNet和VGG的Classification模型从原理上并没有与传统的CNN模型有太大不同。大家所用的Pipeline也都是：训练的时候各种数据Augmentation（裁剪，不同大小，调亮度，饱和度，对比度，偏色），裁剪送入CNN模型，Softmax，Backprop。测试的时候，尽量吧测试数据又各种Augmenting（裁剪，不同大小），把测试数据各种Augmenting后在训练的不同模型上的结果再继续Averaging出最后的结果”
需要注意的是，在VGGNet的6组实验中，后面的4个网络均使用了pre-trained model A的某些层来做参数初始化。虽然作者没有提出该方法带来的性能增益，但是我认为是很大的。不过既然是开篇，先来看看VGG的特点：
- 小卷积核。作者将卷积核全部替换为3x3（极少用了1x1）；
- 小池化核。相比AlexNet的3x3的池化核，VGG全部为2x2的池化核；
- 层数更深特征图更宽。基于前两点外，由于卷积核专注于扩大通道数、池化专注于缩小宽和高，使得模型构架上更深和更宽的同时，计算量的增加放缓；
- 全连接转卷积。网络