1.2 VGGNet
2012年提出的AlexNet模型奠定了深度学习在计算机视觉领域中的地位。而到2014年，VGGNet凭借其更深更宽的网络结构获得了ILSVRC（ImageNet Large Scale Visual Recognition Competition）
定位任务的第一名和分类任务的第二名。接下来，我们将详细介绍VGGNet，看看它有哪些创新点，并对其进行简单的代码实现。
1.2.1 VGGNet简介
VGGNet论文的作者Karen Simonyan和Andrew Zisserman当时都是牛津大学工程科学系Visual Geometry Group成员，这也是“VGG”名字的由来。从原始论文摘要中能看出关键研究主要集中在CNN深度对模型性能的影响。它使用了3×3的小卷积核，并将网络深度提升到了11～19层。基于这种设计，VGGNet在其他数据集上也取得了前所未有的成果，这意味着它具有极强的泛化能力和扩展性。
VGGNet的模型结构非常简洁，如图1-4所示，整个网络使用了小尺寸的卷积核以及相同的池化尺寸（2×2）。到目前为止，VGGNet依然广泛应用于计算机视觉领域的各类任务，常被用来提取图像特征，相关论文引用次数已经超过9万。
图1-4 VGGNet的模型结构示意
VGGNet的主要思想其实在于解决了平衡问题。在当时的CNN模型中，网络深度越深，表现就越好，但同时也会带来较高的计算复杂度、较大的模型以及过拟合现象。VGGNet通过设计一种更深但同时较小的CNN而解决了这一问题，提高了模型的泛化能力，在保证较高精度的同时，兼顾了模型的计算效率。
VGGNet模型结构如表1-1所示，这是一个典型的CNN模型，由若干卷积层和全连接层组成。从中我们可以看到，VGGNet包含多种级别的网络，网络深度从11～19层不等，但每个网络均由三个部分组成。
表1-1 VGGNet模型结构
● 卷积层：VGGNet卷积层的卷积核大小均为3×3，表1-1中的conv3-256表示的就是3×3的卷积核、256个通道。
● 池化层：在卷积层之后使用了最大池化层来缩小图像尺寸，通过池化层的下采样来减小计算复杂度。
● 全连接层：包括两个4096维的全连接层和一个输出层，输出层的大小取决于任务的类别数。最后经过一个Sofmax得到最终类别上的概率分布。
只要明白了上述三部分，VGGNet的精髓就不难掌握了。
表1-1中还有以下两点需要特别注意。
● 在A网络后面有一个A-LRN网络，所谓LRN其实是局部响应归一化（local response normalization，LRN），但在VGGNet论文中通过对比后发现，LRN对网络性能的提升没有帮助，现在很少有人使用了，所以大家只要了解有这样一个结构即可，后续代码实现中也会略过这个部分。
● C网络和D网络都是16层网络，区别在于，C网络其实是在B网络的基础上增加了3个1×1的卷积层。经实验发现1×1的卷积核增加了额外的非线性提升效果，而D网络用3×3卷积层替换1×1卷积层之后实现了更好的效果，所以我们所说的VGG16模型一般是指这个D网络模型，后面的代码实现是A、B、D、E这四个网络，一般将它们分别称为VGG11、VGG13、VGG16、VGG19。
那么为什么要选用小卷积核，或者说它有什么优势呢？
VGGNet中使用的都是3×3的小卷积核。本质上讲，两个3×3卷积层串联相当于1个5×5的卷积层，如图1-5所示。而如果是3个3×3的卷积层串联，就相当于1个7×7的卷积层，即3个3×3卷积层的感受野大小相当于1个7×7的卷积层。但是3个3×3卷积层的参数量只有7×7卷积层的一半左右，同时前者可以有3个非线性操作，而后者只有1个非线性操作，这使得多个小卷积层对于特征的学习能力更强，同时参数更少。
图1-5 感受野效果示意
梗老师：VGGNet相对于AlexNet有什么不同之处？
小 白：VGGNet继承了AlexNet的思想，但采用了更深的网络结构，具有更多的卷积层，从而进一步提高了对于特征学习的能力。
梗老师：没错，也因为VGGNet相对较深，需要大量的参数和计算资源，因此不太适合轻量级应用或资源受限的环境。
1.2.2 代码实现
了解了VGGNet的基本思想和结构设计之后，我们来看一下如何用代码实现相关网络结构。
# 导入必要的库，torchinfo用于查看模型结构 import torch import torch.nn as nn from torchinfo import summary
下面用代码定义网络结构，开始实现VGGNet，模式和之前AlexNet基本一致。其中features是卷积层提取特征的网络结构，为了适配多种级别的网络，其需要单独生成，后面会专门讲解构建这部分的内容。classifier是最后的全连接层生成分类的网络结构，其中包含三个全连接层，当然也可以看成两个全连接层+ ReLU + Dropout层的组合，最后一个全连接层降维。
forward()函数定义前向传播过程，描述各层间的连接关系，经过features卷积层提取特征，然后调用flatten()函数将每个样本张量展平为一维，最后classifier进行分类输出。到这里其基本结构就定义完成了，对结构还有些困惑的读者可以再看看表1-1所示的VGGNet模型结构表，多多思考其设计思路。
# 定义VGGNet的网络结构 class VGG(nn.Module): def __init__(self, features, num_classes=1000): super(VGG, self).__init__() # 卷积层直接使用传入的结构，后面有专门构建这部分的内容 self.features = features # 定义全连接层 self.classifier = nn.Sequential( # 全连接层+ReLU+Dropout nn.Linear(512 * 7 * 7, 4096), nn.ReLU(inplace=True), nn.Dropout(), # 全连接层+ReLU+Dropout nn.Linear(4096, 4096), nn.ReLU(inplace=True), nn.Dropout(), # 全连接层 nn.Linear(4096, num_classes), ) # 定义前向传播函数 def forward(self, x): # 先经过feature提取特征，flatten()后送入全连接层 x = self.features(x) x = torch.flatten(x, 1) x = self.classifier(x) return x
接下来要做的是定义相关配置项。由于VGGNet包含多种级别的网络，因此需要定义一个配置项进行区分，其中每个key都代表一个模型的配置文件，前面提到过这里主要包括VGG11、VGG13、VGG16、VGG19四种级别。配置项里面的数字代表卷积层中卷积核的个数，'M'表示最大池化层。其中的数值和表1-1所示的VGGNet模型结构表中的完全一致，大家可以自行对照一下。
# 定义相关配置项，其中M表示最大池化层，数值完全对应论文中的表格数值 cfgs = { 'vgg11': [64, 'M', 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'vgg13': [64, 64, 'M', 128, 128, 'M', 256, 256, 'M', 512, 512, 'M', 512, 512, 'M'], 'vgg16': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 'M', 512, 512, 512, 'M', 512, 512, 512, 'M'], 'vgg19': [64, 64, 'M', 128, 128, 'M', 256, 256, 256, 256, 'M', 512, 512, 512, 512, 'M', 512, 512, 512, 512, 'M'], }
有了配置项，我们就可以根据对应配置拼接卷积层了。
定义一个拼接卷积层的函数，传入的参数就是前面定义的某个配置项，通过遍历传入的配置列表拼接出对应的网络结构。当遍历到字母M时，拼接上一个最大池化层；当遍历到数字时，其对应卷积核的个数，拼接一个卷积层和一个ReLU层，之后记录其对应的卷积核个数的数值，所以一开始in_channels设为3，后面逐层记录作为下一次的in_channels。遍历完成后，最后调用nn.Sequential()将构造出的卷积层返回即可。
通过这种方式，我们就不用逐层地手动定义了，借助一个循环就完成了。
# 根据传入的配置项拼接卷积层 def make_layers(cfg): layers = [] in_channels = 3 #初始通道数为3 # 遍历传入的配置项 for v in cfg: if v == 'M': # 如果是池化层，则直接新增MaxPool2d即可 layers += [nn.MaxPool2d(kernel_size=2, stride=2)] else: # 如果是卷积层，则新增3×3卷积+ReLU conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1) layers += [conv2d, nn.ReLU(inplace=True)] in_channels = v #记录通道数，作为下一次的in_channels # 返回使用Sequential构造的卷积层 return nn.Sequential(*layers)
然后封装对应模型的函数，将配置项传入make_layers()函数拼接出卷积层，再将其作为VGGNet中的features层，就可以直接被调用了。这里的num_classes是指类别数，默认设为1000。
# 封装函数，依次传入对应的配置项 def vgg11(num_classes=1000): return VGG(make_layers(cfgs['vgg11']), num_classes=num_classes) def vgg13(num_classes=1000): return VGG(make_layers(cfgs['vgg13']), num_classes=num_classes) def vgg16(num_classes=1000): return VGG(make_layers(cfgs['vgg16']), num_classes=num_classes) def vgg19(num_classes=1000): return VGG(make_layers(cfgs['vgg19']), num_classes=num_classes)
接下来看一下网络结构，以较为常用的VGG16为例，调用torchinfo.summary()可以查看刚刚实现的模型信息，包括前面的卷积层以及后面的全连接层，并计算其参数量。可以看到，该模型包含将近一亿四千万个参数，当然大部分参数量还是在全连接层部分。
# 查看模型结构及参数量，input_size表示示例输入数据的维度信息 summary(vgg16(), input_size=(1, 3, 224, 224))
与torchvision.models中集成的VGGNet进行对比，可以看到和前面手动实现的网络是一致的，参数量也完全一样，用这种方式能更简单地使用VGGNet。
# 查看torchvision自带的模型结构及参数量 from torchvision import models summary(models.vgg16(), input_size=(1, 3, 224, 224))
1.2.3 模型训练
最后看一下模型训练部分，这部分代码与前面实现AlexNet所使用的代码基本一致，只做了几处很小的改动。下面我们还是着重对改动的部分进行讲解，对于没有改动的部分就不作赘述了，建议不太清楚的读者回顾前面的章节。
首先还是模型定义部分，这里替换成刚刚实现的vgg11模型，优化器和损失函数都不变。
# 定义模型、优化器、损失函数 model = vgg11(num_classes=102).to(device) optimizer = optim.SGD(model.parameters(), lr=0.002, momentum=0.9) criterion = nn.CrossEntropyLoss()
对于数据集还是使用Flowers102数据集，batch_size适当调小为64，epoch数调为200，大家也可以根据自己的实际情况自行调整。
# 加载训练数据，需要特别注意的是，Flowers102数据集中test簇的数据量较多，所以这里使用"test"作为训练集 train_dataset = datasets.Flowers102(root='../data/flowers102', split="test", download=True, transform=trainform_train) # 实例化训练数据加载器 train_loader = DataLoader(train_dataset, batch_size=64, shuffle=True, num_workers=4) # 加载测试数据，使用"train"作为测试集 test_dataset = datasets.Flowers102(root='../data/flowers102', split="train", download=True, transform=transform_test) # 实例化测试数据加载器 test_loader = DataLoader(test_dataset, batch_size=64, shuffle=False, num_workers=4) # 设置epoch数并开始训练 num_epochs = 200 # 设置epoch数
其他部分都没有变。最后看一下输出的损失和准确率曲线，如图1-6所示，200个epoch之后，测试集上的准确率约为71.8%，对比前面的AlexNet实现了一定提升，大家可以自行调整参数进行实验。
# 其他部分与AlexNet代码一致 # ... 100%|██████████| 200/200 [1:42:13<00:00, 30.67s/it]
图1-6 损失和准确率曲线
1.2.4 小结
本节详细讨论了VGGNet的特性和模型结构，提供了相关的代码实现，并将其与torchvision库中集成的模型进行了对比。我们还探讨了使用小卷积核的原因及其相关优点。此外，我们还在Flowers102数据集上训练了模型并测试了效果。