VGG2014年图像分类竞赛的亚军，定位竞赛冠军。
卷积神经网络
左边为原图，右边为特征提取后得到的feature map
通过不同算法得到的feature map
池化：
将左图的像素整个成有图的数据
大大缩小范围
最大池化和平均池化（如果要取图像边缘，就要在边缘补0）
修正线性单元修正函数ReLU（0前为0，0后为x）
中间部分就是神经网络
全连接层：判断概率（通过训练得到）和神经元*权重得到最后的概率。（判断是x还是o）
损失函数：
神经网络得到的结果和真实的结果进行误差的计算（通过修改卷积核的参数，修改全连接每一个权重，进行微调，使得损失函数最小，层层把误差反馈回去【反向传播算法】//image.net网站（图片网站））
将误差降到最小：（梯度下降）
大佬的讲解课程：https://www.bilibili.com/video/BV1sb411P7pQ?spm_id_from=333.788.b_636f6d6d656e74.39
VGG：
以VGG16为例：第一个block有两个卷积层，第二个block有两个卷积层…（2，2，3，3，3）下采样，经过三个全连接层，最后soft-max输出（所有卷积层的卷积核都为33）随模型变深，每一个block的channel个数翻倍。输入224224图像，输出1000个后验概率（挑出最大的概率作为预测结果）。
红色表示max-pooling最大池化层，像素长宽不断变小，语义通道数不断变多，（下采样层不包含参数，所以不算层数）
池化层：
前两层占据绝大部分内存，第一个全连接层占据绝大部分参数：
33卷积核（下亮上暗）
2层33卷积反映的55卷积（参数数量变少）【3层33卷积可以替代7*7卷积】
VGG古典学院的经典卷积神经网络（比较臃肿）（横轴计算量，纵轴准确率，圆圈大小为参数量）
.多分类交叉熵损失函数
.mini-batch带动量的随机梯度下降优化器
.全连接层引入dropout和权重衰减
.74个epchos就能快速收敛
初始化：每一个卷积层都是用ReLu激活函数（容易一开始熄火）。
先随机初始化（从正态分布或者高斯分布中取得）A模型（VGG11），再使用训练好的VGG11初始化其他更深的模型
数据增强采用随机水平翻转和随机颜色变化
将全连接层转化成卷积层，可以输入任意大小图像。
multiple crops将一个图截成一个一个小块
VGG迁移学习：（把最后一层全连接层换成自己所需的个数，保留之前所有的结构不变，仅仅把之前的模型当作提取器。此图把最后一层全连接层神经元改成2622个神经元，输出2622类别概率。仅训练改的这一层【把image.net上预训练的模型用于解决问题】）
