1. 网络结构：

除去大小为1×1的卷积核，其他卷积核都是3×3 ，步长为1，填充为2； 池化层都是2×2，步长为2，填充为0

也就是说，卷积层都不改变图像的尺寸，池化层会让图的尺寸缩小一半

 

2. VGGNet改进点总结

1. 使用了更小的3*3卷积核，和更深的网络。两个3*3卷积核的堆叠相对于5*5卷积核的视野，三个3*3卷积核的堆叠相当于7*7卷积核的视野。这样一方面可以有更少的参数（3个堆叠的3*3结构只有7*7结构参数数量的(3*3*3)/(7*7)=55%）；另一方面拥有更多的非线性变换，增加了CNN对特征的学习能力。

2. 在VGGNet的卷积结构中，引入1*1的卷积核，在不影响输入输出维度的情况下，引入非线性变换，增加网络的表达能力，降低计算量。

3. 训练时，先训练级别简单（层数较浅）的VGGNet的A级网络，然后使用A网络的权重来初始化后面的复杂模型，加快训练的收敛速度。

4. 采用了Multi-Scale的方法来训练和预测。可以增加训练的数据量，防止模型过拟合，提升预测准确率。
 

参考博客：VGG-论文解读_abc_138的博客-CSDN博客_vgg