VGG

假设input 是224*224*3 ，kernel = 3*3 ，stride = 1 ，所以covn卷积操作不会改变图像尺寸的大小

pool池化层 kernel_size = 2*2 ，stride = 2 ，所以每经过一个池化层，图像尺寸就会减少一半，经过5个池化操作，图像缩小2的5次方倍（32倍），2*2*2*2*2=32

224/32 = 7 最后到达全连接层的尺寸为 7*7*512

VGG的网络结构

全连接层的参数占了网络参数的大半部分

Q1：为什么使用3*3的卷积核

Q2：1*1卷积核的作用是什么

各向同性缩放（ 也叫：等比缩放），长宽缩放比例相同，好处是不破坏原图的比例

各向异性缩放（也叫：直接变化），直接调整图像尺寸，二不考虑图像物体发生形变

transform变换增加数据量，提高网络准确度和泛化能力

多尺度训练，只原图最小边在一个范围内变化【256--512】

然后从中随机截取224*224的图像块进行训练

VGG超参数的设置

VGG的特点

fc = 权重的转置*输入的特征+偏置b