假設input 是224*224*3 ，kernel = 3*3 ，stride = 1 ，所以covn卷積操作不會改變圖像尺寸的大小

pool池化層 kernel_size = 2*2 ，stride = 2 ，所以每經(jīng)過一個池化層，圖像尺寸就會減少一半，經(jīng)過5個池化操作，圖像縮小2的5次方倍（32倍），2*2*2*2*2=32

224/32 = 7 最后到達全連接層的尺寸為 7*7*512

VGG的網(wǎng)絡結(jié)構(gòu)

全連接層的參數(shù)占了網(wǎng)絡參數(shù)的大半部分

Q1：為什么使用3*3的卷積核

Q2：1*1卷積核的作用是什么

各向同性縮放（ 也叫：等比縮放），長寬縮放比例相同，好處是不破壞原圖的比例

各向異性縮放（也叫：直接變化），直接調(diào)整圖像尺寸，二不考慮圖像物體發(fā)生形變

transform變換增加數(shù)據(jù)量，提高網(wǎng)絡準確度和泛化能力

多尺度訓練，只原圖最小邊在一個范圍內(nèi)變化【256--512】

然后從中隨機截取224*224的圖像塊進行訓練

VGG超參數(shù)的設置

VGG的特點

fc = 權(quán)重的轉(zhuǎn)置*輸入的特征+偏置b