VGG-16：
这个数字16，就是指在这个网络中包含 16个卷积层和全连接层，随着网络的加深，图像的高度和宽度都在以一定的规律不断缩小，每次池化后刚好缩小一半，而通道数量在不断增加，而且刚好也是在每组卷积操作后增加一倍。也就是说，图像缩小的比例和通道数增加的比例是有规律的
专注于构建卷积层的简单网络：
- 首先用3×3，步幅为1的过滤器构建卷积层
- padding参数为same卷积中的参数，
- 然后用一个2×2，步幅为2的过滤器构建最大池化层
各层参数具体结构：
Unet:
Unet的左侧是convolution layers，右侧则是upsamping layers，
convolutions layers中每个pooling layer前一刻的activation值会concatenate到 对应的upsamping层的activation值中因为
Unet左侧部分和resnet、vgg、inception等模型一样，都是通过卷积层来提取图像特征，
所以Unet可以采用resnet/vgg/inception + upsampling的形式来实现，这样做好处是可以利用pretrained的成熟模型来加速Unet的训练，要知道transfer training（迁移学习）的效果是非常显著的。
Unet,Vgg16 创新：
Unet的encode过程实际上是特征提取的过程，如果我们把他的encode过程单独拎出来，会发现其与vgg16高度相似
可以通过改写Unet的encode，可以将类vgg结构改写为效果更好的resnet，再结合Unet的基本框架结构，来更好的提取特征
Unet ：
-
下采样+上采样： Convlution + Deconvlution／Resize
-
多尺度特征融合： 特征逐点相加／特征channel维度拼接
-
获得像素级别的segement map： 对每一个像素点进行判断类别