まず、特性
AlexNet、小さい畳み込みカーネルとのストライドの最初の層における畳み込み向上させる1、
2、マルチスケールトレーニング（訓練および試験、異なるスケールの全体マップ）
したがって、VGGシンプルな構造、特徴を抽出する機能、広範なアプリケーションのシナリオ
単一のスケールからの比較試験の結果：
異なる構造の第二に、比較
VGGは、ネットワークの6つのバージョンの合計を提供し、ネットワークは、異なるコントラストの効果を探索します。
ネットワーク設定の詳細のさまざまなバージョンについては、次の簡単な分析：
構造A：AlexNetと同様の、5層の畳み込みステージ、3完全接続層に分け、層は畳み込み3x3のコンボリューションカーネルのサイズであることを除いて、
構造A-LRN：AlexNetはLRNに保持;操作、その他の構成は同じである
ステージ2と3x3の畳み込みの層は、増加した畳み込みの10層の合計ステージ3;：構造B
、構造C：B、ステージ3、STAGE4、STAGE5の増加に基づいて、それぞれ1x1の畳み込み、畳み込み13層、合計16層の層、
構造D：C、ステージ3、STAGE4に基づいて、STAGE5層は、3x3の畳み込みを増加し、畳み込み層13、16の合計層、
構造E：ステージ3、STAGE4、に基づいてD、STAGE5層は、それぞれ畳み込み、16層、合計で19層を3x3の畳み込みを加えます。
コントラストの各構成効果：
LRN-Aとの比較：-LRN Aなし良い結果、LRN効果は記載していない;
AはB、C、D、Eと比較される：層の数は、これらのうちBと比較して有効最小でありますC、D、E、より良い、より深い層記載;
BおよびC比較：1x1の畳み込みカーネルは、付加的な非線形効果リフトを追加する、増加させる、
比較例C及びD：3x3の畳み込みカーネル（構造D）比1×1を（構造C）効果良いです。（注!!!!）
C、D、Eとを比較し、マルチスケールの精度を向上させます
畳み込みカーネルの利点の第三に、議論
1.なぜ、3×3の畳み込みカーネルを使うのか？
（1）7×7等価受容野の畳み込みカーネルの受容野の3×3×3のコンボリューションカーネルが、追加の中間活性化関数、7×7畳み込みカーネルと比較して、深さより深い非線形増加
（2）パラメータの使用量削減：
（。C. 3×××3 C）= 27C 3 ^ 2×。
7. 7 = 49C×2 ^ C××C.
2,1×コンボリューションカーネルの役割1（。これら二つの機能を達成することができるが、パラメータは他とそれ以上）のコンボリューションカーネルであるが
、（1）非直線的に増加
（2）、及びL次元次元削減
第四に、トレーニングデータの前処理
最初のステップ：同性ズームの画像、256の最小辺長
ステップ2：ランダムに撮影した画像ブロックが224×224であります
第三段階：トリミングされた画像ブロック及びランダム水平反転変換RGB色
追加：あなたはまた、ネットワークに直接ではない濃密evalationトリミングされた画像を使用することができ、全体の層の代わりに畳み込み層の背面に接続されます