VGG16-3️⃣ 网络结构

注意：上面这张图最后fc4096应该是fc1000，画错了

总的来说，VGG16由13个卷积层和3个全连接层组成，一共16层（池化层不算层数，因为不包含需要学习的权重和偏置）。

其中的13个卷积层可以分成5个VGG块：

• 输入层：图片大小为3×224×224
• 第1块：2个conv3-64组成（con3-64中3代表卷积核大小为3×3，64代表64个卷积核）
  • 第一个卷积：64个3×3卷积核，padding=1，stride=1
    输入：3×224×224
    输出：64×224×224
    再经过ReLu激活函数
  • 第二个卷积：64个3×3卷积核，padding=1，stride=1
    输入：64×224×224
    输出：64×224×224
    再经过ReLu激活函数
  • 最大池化：2×2，stride=2，padding=0
    输入：64×224×224
    输出：64×112×112
• 第2块：2个conv3-128组成
  • 第一个卷积：128个3×3卷积核，padding=1，stride=1
    输入：64×112×112
    输出：128×112×112
    再经过ReLu激活函数
  • 第二个卷积：128个3×3卷积核，padding=1，stride=1
    输入：128×112×112
    输出：128×112×112
    再经过ReLu激活函数
  • 最大池化：2×2，stride=2，padding=0
    输入：128×112×112
    输出：128×56×56
• 第3块：3个conv3-256组成
  • 第一个卷积：256个3×3卷积核，padding=1，stride=1
    输入：128×56×56
    输出：256×56×56
    再经过ReLu激活函数
  • 第二个卷积：256个3×3卷积核，padding=1，stride=1
    输入：256×56×56
    输出：256×56×56
    再经过ReLu激活函数
  • 第三个卷积：256个3×3卷积核，padding=1，stride=1
    输入：256×56×56
    输出：256×56×56
    再经过ReLu激活函数
  • 最大池化：2×2，stride=2，padding=0
    输入：256×56×56
    输出：256×28×28
• 第4块：3个conv3-512组成
  • 第一个卷积：512个3×3卷积核，padding=1，stride=1
    输入：256×28×28
    输出：512×28×28
    再经过ReLu激活函数
  • 第二个卷积：512个3×3卷积核，padding=1，stride=1
    输入：512×28×28
    输出：512×28×28
    再经过ReLu激活函数
  • 第三个卷积：512个3×3卷积核，padding=1，stride=1
    输入：512×28×28
    输出：512×28×28
    再经过ReLu激活函数
  • 最大池化：2×2，stride=2，padding=0
    输入：512×28×28
    输出：512×14×14
• 第5块：3个conv3-512组成
  • 第一个卷积：512个3×3卷积核，padding=1，stride=1
    输入：512×14×14
    输出：512×14×14
    再经过ReLu激活函数
  • 第二个卷积：512个3×3卷积核，padding=1，stride=1
    输入：512×14×14
    输出：512×14×14
    再经过ReLu激活函数
  • 第三个卷积：512个3×3卷积核，padding=1，stride=1
    输入：512×14×14
    输出：512×14×14
    再经过ReLu激活函数
  • 最大池化：2×2，stride=2，padding=0
    输入：512×14×14
    输出：512×7×7
• 全连接层1：先通过nn.Flatten()将512×7×7展开到25088
  输入：25088
  输出：4096
  再经过ReLu激活函数
  再经过dropout=0.5
• 全连接层2：
  输入：4096
  输出：4096
  再经过ReLu激活函数
  再经过dropout=0.5
• 全连接层3
  输入：4096
  输出：1000
• 最终输出层：
  输入：1000
  输出：2（将 1000 维映射到 2 维，二分类任务：猫和狗）

---