VGG（作者所在的牛津大学视觉几何组Visual Geometry Group的缩写）是[Very Deep Convolutioinal Networks for Large-Scale Image Recognition]提出的卷积神经网络模型，在2014年ImageNet图像分类与定位挑战赛中，取得了 分类任务第二，定位任务第一的好成绩。
VGG结构
根据卷积核大小和卷积层数目的不同，VGG分为A、A-LRN、B、C、D、E六种配置，其中D、E两种配置较为常用，分别称为VGG16和VGG19。
VGG16 特点
- 13个卷积层均采用相同的卷积核参数（kernel_size=3，stride=1，padding=1），每一个卷积层与前一层保持相同的宽和高。
- 5个池化层均采用相同的池化核参数（kernel_size=（2,2）， stride=（2,2））和max池化方式。使每一个池化层的宽和高是前一层的1/2。
- 3个全连接层。
块结构
VGG16的卷积层划分为不同的块（block），每一个块内包含若干个卷积层和一个池化层，并且同一块内，卷积层的通道（channel）数是相同的。随着层数的增加，后一个块比前一个块通道数翻倍，由64依次增加到128，再到256，直至512保持不变。相应的高和宽减半，由224->112->56->28->14->7。
权重参数
卷积层和全连接层具有权重系数，被称为权重层，池化层不涉及权重，不属于权重层。尽管VGG16结构简单，但是所包含的权重数目却很大（138357544个参数）。
- 卷积层参数计算：kernel_sizekernel_sizeinput_channel*output_channel
- 全连接层权重参数计算：前一层节点数*本层的节点数
图中蓝色是计算权重参数数量的部分，红色是计算所需存储容量部分。
参考资料
