论文地址：https://arxiv.org/abs/1409.1556
论文翻译：http://blog.csdn.net/wangsidadehao/article/details/54311282
VGG-Net使用更多的层，通常有16－19层，而AlexNet只有8层。vgg是第一个在各个卷积层使用相同大小的3*3过滤器（filter），并把他们组合成为一个卷积序列进行处理的网络。
这看起来和LeNet的原理相反，即使用大的卷积来获得一张图像中相似的特征。和AlexNet的9或11过滤器不同，VGG的过滤器很小，离LeNet竭力所要避免的臭名昭著的1的卷积异常接近--至少在该网络的第一层是这样。但是VGG巨大的进展是通过依次采用多个3的卷积，能够模仿出更大的感受野（receptive field）的效果，例如5或7.这些思想也被用在了最近的更多的网络架构上。如Inception与ResNet。
VGG网络使用多个3x3卷积层去表征复杂特征。如果VGG-E的第3，4，5块（block）：256 和 512个3过滤器被依次使用多次，以提取更多复杂特征以及这些特征的组合。其效果就等于一个带有3个卷积层的大型的512*512分类器。这显然意味着大量的参数和学习能力。但是这些网络训练困难，必须划分到较小的网络，并逐层累加。这是因为缺少强大的方式对模型进行正则化，这样或多或少约束大量由于大量参数增长的搜索空间。
VGG在许多层中都使用大特征尺寸，因为推断（inference）在运行时是相当耗费时间。正如Inception的瓶颈那样，减少特征的数量将节省一些计算成本。
主要贡献：
- 证明LRN层作用不大。
- 越深的网络效果越好。
- 1*1的卷积也是很有效的，但是没有3*3的卷积好，大一些的卷积核可以学习更大的空间特征
虽然从A到E每一级网络逐渐变深，但是网络的参数量并没有增长很多，这是因为参数量主要都消耗在最后3个全连接层。前面的卷积部分虽然很深，但是消耗的参数量不大，不过训练比较耗时的部分依然是卷积，因其计算量比较大
如上图所示，两个3*3的卷积层串联相当于1个5*5的卷积层，即一个像素会跟周围5*5的像素产生关联，可以说感受野大小为5*5。而3个3*3的卷积层串联的效果则相当于1个7*7的卷积层。除此之外，3个串联的3*3的卷积层，拥有比1个7*7的卷积层更少的参数量，只有后者的55%。最重要的是，3个3*3的卷积层拥有比1个7*7的卷积层更多的非线性变换（前者可以使用三次ReLU激活函数，而后者只有一次），使得CNN对特征的学习能力更强。
