本文重點
在前面的課程中，我們已經學習了VGG網絡模型，也學習了AlexNet網絡模型，AlexNet模型先于VGG網絡模型產生，所以VGG在一定程度上要優于AlexNet模型，二者來看一下，二者究竟有什么不同？
深度
AlexNet是一個8層的卷積神經網絡，而VGG16是它的兩倍，眾所周知，神經網絡的深度越大，往往學習能力越強，所以VGG的性能相對于AlexNet有了一個明顯的提升。
卷積核
VGG相對于AlexNet模型，VGG只使用了3*3的卷積核，這帶來了參數量的極大減少，我們來比較一下。
AlexNet的第一個卷積層輸出維度96維，而卷積核大小為11*11，那么參數量為96*3*11
VGG的參數量為64*3*3*3
96*3*11/（64*3*3*3）=20
也就是說二者相差20倍，那么計算量就相差了20倍，這就是的VGG雖然深度比AlexNet大，但是參數量卻沒有增加的很夸裝，整個模型只有550M，而8層的AlexNet達到了240M。
池化
VGG中池化的核大小為2*2，然后步長為2。而AlexNet中采用了重疊池化方案，核大小為3*3，步長為2。這樣不重疊的池化的計算量會少一些。但是重疊的池化能夠有效的降低過擬合問題。
數據增強
VGG使用了更多的數據增強的方式，即Scale Jittering。先固定一種裁剪尺寸m*m，比如224*224，然后把圖片的最短邊縮放到一個大于m的值，長邊也相應的變化，最后裁剪出一張m*m的圖片。
這種方法比直接將圖片縮放到224*224來說，存在更大的操作空間，當然有可能剪掉圖片的重要區域，但是在大數據下，這種影響可以忽略不計。
)
