本文介绍: 然后又是若干个卷积层，使用 128 个过滤器，以及一些 same 卷积，然后进行池化，可以推导出池化后的结果是56×56×128，接着再用 256 个相同的过滤器进行三次卷积操作，然后再池化，然后再卷积三次，再池化。连续两个卷积层，都是 64 个 3×3 的过滤器对输入图像进行卷积，输出结果是224×224×64，因为使用了 same 卷积，通道数量也一样。VGG-16 的结构并不复杂，这点非常吸引人，而且这种网络结构很规整，都是几个卷积层后面跟着可以压缩图像大小的池化层，池化层缩小图像的高度和宽度。
VGG-16
Vgg16是牛津大学VGG组提出来的，相比于AlexNet来说，AlexNet的一个改进是采用连续的几个4*3的卷积核来代替AlexNet中的较大的卷积核(11*11,5*5)。前面我们也说过了使用小卷积核是优于大的卷积核的，因为多层非线性层可以增加网络深度来保证学习到更加复杂的模式，而且代价还会更小，也就是参数会更少。
VGG-16 网络，VGG-16 网络没有那么多超参数（不是说训练参数，它的训练参数是1.38亿），这是一种只需要专注于构建卷积层的简单网络。
连续两个卷积层，都是 64 个 3×3 的过滤器对输入图像进行卷积，输出结果是224×224×64，因为使用了 same 卷积，通道数量也一样。就是说先用一个64 个 3×3 的过滤器对输入图像进行卷积，然后输出再用一个64 个 3×3 的过滤器对输入图像进行卷积。
声明：本站所有文章，如无特殊说明或标注，均为本站原创发布。任何个人或组织，在未征得本站同意时，禁止复制、盗用、采集、发布本站内容到任何网站、书籍等各类媒体平台。如若本站内容侵犯了原著者的合法权益，可联系我们进行处理。
