介绍
VGGNet探索了CNN的深度与其性能之间的关系，反复堆叠3*3卷积核（pad=1,stride=1）和2*2最大池化核（pad=0,stride=2），16~19层深的卷积神经网络。
VGGNet常被用来提取图像特征。
主要是VGG16,19
特征提取器层是不一样的，主要每一行卷积的深度不一样，
总共划分为五段卷积层
全连接层有4096个神经元
fc3有1000个神经元，线性输出层
每个conv出来之后自带一个relu
drop主要是为了防止分类器的过拟合，如果参数特别多，特征空间就划分的很凌乱，容易过拟合。加了个dropout加入了正则化约束，表现得像一层一样，我这个通道以一定的概率保持通状态，一定的概率保持闭状态。
参数更少；卷积层越多，非线性变换就可以越多，学习能力越强
先训练a
scal是尺度，图像分析里面有个叫多尺度分析的的方法，例如小波变换。
multi_scale多尺度变换，归一化到一个尺寸q
多尺度预测的过程，给了原始图像之后，训练样本的尺寸有可能是非常小的，也有可能是非常大的，怎么办呢，一方面是再训练的过程中，对不通图像做不同尺度的调整。这样模型就能识别不同尺度的图像，测试的时候也做不同尺度的调整
数据增强的意思是：比如说输入的图像时32*32，可以缩放到16*16/128*128/64*64.。。这样添加多个不同尺度的版本数据，然后来训练这个网络
补充VGG16
conv: kernel=3x3 , pad=1 , stride=1
maxpool: kernel=2x2 , pad=0 , stride=2
