VGGNet由牛津大學的視覺幾何組（Visual Geometry Group）和Google DeepMind公司的研究員共同提出，是ILSVRC-2014中定位任務第一名和分類任務第二名。其突出貢獻在於證明使用很小的卷積（3*3），增加網絡深度可以有效提升模型的效果，而且VGGNet對其他數據集具有很好的泛化能力。到目前為止，VGGNet依然經常被用來提取圖像特征。
VGGNet探索了CNN的深度及其性能之間的關系，通過反復堆疊3*3的小型卷積核和2*2的最大池化層，VGGNet成功的構築了16-19層深的CNN。
一、VGGNet結構
VGGNet有A-E七種結構，從A-E網絡逐步變深，但是參數量並沒有增長很多（圖6-7），原因為：參數量主要消耗在最后3個全連接層，而前面的卷積層雖然層數多，但消耗的參數量不大。不過，卷積層的訓練比較耗時，因為其計算量大。
其中，D和E是常說的VGGNet-16和VGGNet-19。C很有意思，相比於B多了幾個1*1的卷積層，1*1卷積的意義在於線性變換，而輸入的通道數和輸出的通道數不變，沒有發生降維。
VGGNet網絡特點：
1. VGGNet擁有5段卷積，每段卷積內有2-3個卷積層，同時每段尾部都會連接一個最大池化層（用來縮小圖片）。
2. 每段內的卷積核數量一樣，越后邊的段內卷積核數量越多，依次為:64-128-256-512-512
3. 越深的網絡效果越好。(圖6-9)
4. LRN層作用不大（作者結論）
5. 1*1的卷積也是很有效的，但是沒有3*3的卷積好，大一些的卷積核可以學習更大的空間特征。
為什么一個段內有多個3*3的卷積層堆疊？
這是個非常有用的設計。2個3*3的卷積層串聯相當於1個5*5的卷積層，即一個像素會跟周圍5*5的像素產生關聯，可以說感受野大小為5*5。而3個3*3的卷積層相當於1個7*7的卷積層。並且，兩個3*3的卷積層的參數比1個5*5的更少，前者為2*3*3=18，后者為1*5*5=25。
更重要的是，2個3*3的卷積層比1個5*5的卷積層有更多的非線性變換（前者可使用2次ReLu函數，后者只有兩次），這使得CNN對特征的學習能力更強。
所以3*3的卷積層堆疊的優點為：
（1）參數量更小
（2）小的卷積層比大的有更多的非線性變換，使得CNN對特征的學習能力更強。
https://blog.csdn.net/u012679707/article/details/80807406
https://www.cnblogs.com/1a2a/p/9860479.html