VGG 网络结构是由牛津大学发表在 ICLR 2015 上发表的论文，其效果在当时还是不错，而且不少模型也是基于 VGG 做的拓展，比如目标检测的 SSD 等。

网络结构

　　VGG 网络结构的特点

VGG 网络结构

特点：

  1. 卷积层均采用相同的卷积核参数
  2. 池化层均采用相同的池化核参数
  3. 模型是由若干卷积层和池化层堆叠（stack）的方式构成，比较容易形成较深的网络结构（在2014年，16层已经被认为很深了）

5x5 等价于两个 3x3

总结

VGG 优点：

  1. VGG 的结构非常简洁，整个网络都使用了同样大小的卷积核尺寸（3x3）和最大池化尺寸（2x2）
  2. 几个小滤波器（3x3）卷积层的组合比一个大滤波器（5x5或7x7）卷积层好
  3. 验证了通过不断加深网络结构可以提升性能

VGG 缺点：

  1. VGG 耗费更多计算资源，并且使用了更多的参数，导致更多的内存占用（140M）。其中绝大多数的参数都是来自于第一个全连接层。并且单纯的增加神经网络的深度，会给训练带来困难，会出现梯度消失、不收敛等问题。

References

  1. VERY DEEP CONVOLUTIONAL NETWORKS FOR LARGE-SCALE IMAGE RECOGNITION
  2. Tensorflow VGG16 and VGG19
  3. tensorflow-vgg16-train-and-test
  4. TensorFlow VGG-16 pre-trained model
  5. Data Preprocessing in UFLDL Tutorial
  6. Image Processing Tips Example Code
  7. Re-implementation of VGG Network in tensorflow
  8. ✳️ An easy implement of VGG19 with tensorflow, which has a detailed explanation.
  9. conversation of caffe vgg16 model to tensorflow
  10. ✳️ Implementing VGG13 for MNIST dataset in TensorFlow
  11. 利用卷积神经网络(VGG19)实现火灾分类(附tensorflow代码及训练集)
  12. A TensorFlow implementation of VGG networks for image classification
  13. Very Deep Convolutional Networks for Large-Scale Image Recognition
  14. Implementing VGG13 for MNIST dataset in TensorFlow
  15. VGG16学习笔记
  16. 深度学习VGG模型核心拆解