SSD网络的主体一种是基于VGG16，另一种是基于ResNext101。
于是今天研究了一下VGGNet。
首先是DeepLearning里面图像分类模型的发展：
LeNet-AlexNet-VGG-GoogLetNet-ResNet
以及他们的性能比较：
值得一提的是，目前的ResNet层数据说已经达到了千层，分类效果也是目前最好的网络。
但今天的主角是VGGNet。
VGG是从AlexNet改进而来的：
所做的改进：
1.加深了网络，从8层增加到19层。（VGG16是16层）。
2.卷积核更小，使用3*3的卷积核，使得模型的特征提取能力更强，而且参数的数量更少。（思考一下为什么，参考https://blog.csdn.net/wcy12341189/article/details/56281618）
3.另外，VGG在整个图片和multi-scale上训练和测试图片。
VGG的结构：
可以看到，VGG16里面都是用的3*3的卷积核。
但是VGG的问题在于，参数实在太多了，而且主要集中在后面的FC全连接层中：
例如在VGG16中，第一个全连接层FC1有4096个节点，上一层POOL2是7*7*512 = 25088个节点，则该传输需要4096*25088个权值，需要耗很大的内存。
VGG16的Keras代码：
https://blog.csdn.net/u013473520/article/details/50730620