经典卷积神经网络结构——VGG网络结构详解（卷积神经网络入门，Keras代码实现）_深度卷积神经网络经典模型--vgg网络(卷积层、池化层、全连接层)实验目的

背景简介

2012年 AlexNet 在 ImageNet 上显著的降低了分类错误率，深度神经网络进入迅速发展阶段。在2014年牛津大学机器人实验室尝试构建了更深的网络，文章中称为"VERY DEEP CONVOLUTIONAL NETWORKS"，如VGG16，有16层，虽然现在看起来稀疏平常，但与 AlexNet 相比，翻了几倍。这个阶段，主要是没有解决网络太深梯度反向传播消失的问题，且受限于GPU等硬件设备的性能，所以深度网络不易于训练。不过，VGG 显然是当时最好的图像分类模型，斩获 ILSVRC 比赛冠军。顺便说下，2012年之后，标准数据集主要是ImageNet，到后来又有微软的COCO数据集。

原论文地址

https://arxiv.org/pdf/1409.1556.pdf
文章发在 ICLR( International Conference on Learning Representations) 2015会议上，截止目前引用次数为27081

个人github实现

https://github.com/uestcsongtaoli/vgg_net

模型介绍

这里重点介绍VGG16

上图上半部分相对直观，下半部分是一种常见的普通网络结构的表示方法，下半部分最后一层不应该是4096，应该是分类问题的类别数目 num_classes。
该模型可以简单分为5个 stage，（我猜测这种思想来自于 AlexNet 的5层卷积，可以参考我写的关于AlexNet的文章结构介绍部分）每层两卷积核池化组成，最后接3层全连接用于分类。

先定义 conv block 包括卷积、BatchNormalization 和 Activation：

def conv_block(layer, filters, kernel_size=(3, 3), strides=(1, 1), padding='same', name=None):
    x = Conv2D(filters=filters,
               kernel_size=kernel_size,
               strides=strides,
               padding=padding,
               kernel_initializer="he_normal",
               name=name)(layer)
    x = BatchNormalization()(x)
    x = Activation('relu')(x)
    return x
1
2
3
4
5
6
7
8
9
10

Stage 1

1. 卷积层Conv_1_1
2. 卷积层Conv_1_2
3. 池化层 max_pool_1

   x = conv_block(input_layer, filters=64, kernel_size=(3, 3), name="conv1_1_64_3x3_1"