版权声明：本文为博主原创文章，欢迎转载分享，请注明本文出处。文章内容如有侵权，请联系删除。
《Very Deep Convolutional Networks For Large-Scale Image Recognition》是牛津大学 Visual Geometry Group(VGG) K. Simonyan 和 A. Zisserman 于2014年撰写的论文。这篇文章主要研究了，在大规模图像的识别问题中，卷积神经网络的深度对准确率的影响。文中采用核宽度为 3 的卷积结构(3 × 3 convolution filter)，构建了一系列不同深度的卷积网络。该模型在 ImageNet Large-Scale Visual Recognition Challenge 2014 (ILSVRC-2014)中，取得了定位项目第一名，分类项目第二名的成绩。
数据预处理工作
在模型的训练过程中，卷积网络的输入是大小为 224 × 224 的RGB图像。文中对每一幅图像的预处理工作仅有，对每一个像素减去RGB的均值(mean RGB value)。
卷积神经网络的配置
卷积部分(Convolutional Layers)：卷积层使用大小为 3 × 3 的接受域(receptive field)（它是可以表示“左右”、“上下”、“中心”这些概念的最小单元），在结构C中也使用到大小为 1 × 1 的接受域（它可以被看作是对输入通道的线性变换；作用是在不影响输入输出维数的情况下，对输入进行线性变换，然后通过线性整流函数(ReLU)进行非线性处理，增加网络的非线性表达能力（引用自系统学习深度学习（十七）--VGG模型））；卷积步长(stride)为 1 个像素；接受域大小为 3 × 3 的卷积层的填充(padding)为 1 个像素；部分卷积层后是池化(pooling)层，池化层采用最大池化(max-pooling)函数，共有五层，max-pooling的窗口大小为 2 × 2，步长为 2 个像素，池化层的作用在于特征加强，同时缩小Feature Map的尺寸（引用自VGG网络详解及代码实现）。
全连接部分(Fully-Connected Layers)：文中提到的一系列卷积网络，均只有 3 个全连接层；前两个全连接层各有4096个通道(channel)，第三个全连接层有1000个通道（在ILSVRC任务中，这1000个通道用于分类，每个通道对应一个类别）；所有网络中的全连接层配置相同。
VGG 16 的微体系结构如图 1 所示（原图取自MACROARCHITECTURE OF VGG16）。
表 1 给出了全部卷积网络的配置，这些网络遵循上述设计原则，区别仅在于深度不同。VGG采用的是一种Pre-training的方式，这种方式在经典的神经网络中经常能够见到，就是先训练一部分小网络，然后在确定这部分网络达到稳定后，再在这基础上逐渐加深。表 1 从结构A到结构E体现的就是这个过程，并且当网络处于阶段D的时候，效果是最优的，因此阶段D的网络也就是最终的VGGNet了（引用自ConvNets Typical Architecture与VGGNet）。
文章中共构建了六个不同结构的网络。
结构 A：与AlexNet结构相似，存在5个卷积层和3个全连接层，不同的是，卷积层使用大小为 3 × 3 的接受域。
结构 A-LRN：保留AlexNet中的局部响应归一化层(Local Response Normalization, LRN)，其他与结构A相同。
结构 B：在结构A的基础上，Stage1和Stage2分别增加了一个接受域大小为 3 × 3 的卷积层，共有10个卷积层，总计13层。
结构 C：在结构B的基础上，Stage3、Stage4和Stage5分别增加了一个接受域大小为 1 × 1 的卷积层，共13个卷积层，总计16层。
结构 D：在结构B的基础上，Stage3、Stage4和Stage5分别增加了一个接受域大小为 3 × 3 的卷积层，共13个卷积层，总计16层。
结构 E：在结构D的基础上，Stage3、Stage4和Stage5分别增加了一个接受域大小为 3 × 3 的卷积层，共16个卷积层，总计19层。
表 2 给出了不同网络模型中参数的数量。可见，虽然从A结构到E结构，网络深度由11层增加至19层，但参数的数量并未出现太大变化，这是因为在网络中，参数主要集中在全连接层（引用自VGG网络详解及代码实现）。
对卷积结构的讨论
与AlexNet(Krizhevsky et al., 2012)和ZFNet(Zeiler & Fergus, 2013; Sermanet et al., 2014)相比，VGGNet使用了更小的卷积结构。在第一个卷积层中，AlexNet使用了大小为 11 × 11、步长为 4 个像素的卷积结构，ZFNet使用了大小为 7 × 7、步长为 2 个像素的卷积结构，而VGGNet则使用了大小为 3 × 3、步长为 1 个像素的卷积结构。
可见，相邻的两个 3 × 3 的卷积和一个 5 × 5 的卷积拥有相同的有效接受域，两两相邻的三个 3 × 3 的卷积和一个 7 × 7 的卷积拥有相同的有效接受域。这让VGGNet包含了三个ReLU层而非一个，使得决策函数更具识别能力，同时减少了参数的数量。
模型训练
VGGNet的训练过程与AlexNet基本一致。
其中，优化方法采用含有动量的小批量梯度下降法(mini-batch gradient descent with momentum)；批尺寸(batch size)设置为256；采用L2正则化，惩罚系数设置为 5e-4；同时为前两个全连接层添加“Dropout正则”，dropout比率设置为 0.5。
文中指出，尽管VGGNet比AlexNet拥有更多的参数和更深的层次，但是VGGNet只需要很少次迭代就能够收敛，作者猜想到两方面原因：第一，更深的层次与更小的卷积核尺寸起到了隐式正则化的作用；第二，特定层的预初始化(pre-initialisation)。
关于Pre-Initialisation。网络A的权值 W ~ (0, 0.01) 的高斯分布，偏差(bias)为0；由于存在大量的线性整流函数，不好的权值初始值对于网络训练影响较大。为了绕开这个问题，作者先通过随机的方式训练最浅的网络A；然后在训练其他网络时，把A的前4个卷积层和最后全连接层的权值当做其他网络的初始值，未赋值的中间层通过随机初始化的方式得到。（引用自Very Deep Convolutional Networks for Large-Scale Image Recognition(VGG模型)）
文中通过对原始图像进行各向同性的放缩，并采取随机裁剪的方式，获得固定大小为 224 × 224 的输入图像。为了扩充数据集，对裁剪后的图像进行了随机的水平翻转及随机的RGB颜色转换。同时，文中采用了两种多规模(multi-scale)的训练方式。第一种方法是将原始图像依据不同的规模S放缩后进行裁剪训练(S = 256; S = 384)，第二种方法是给定S的范围 [Smin, Smax]，让每一幅图像随机选取区间内的S进行训练，相当于通过尺度抖动增强数据。
欢迎大家参与讨论！如有错误，请批评指正！
