VGGNet在2014年的ILSVRC競賽上，獲得了top-1 error的冠軍和top-5 error的第二名，錯誤率分別為24.7%和7.3%，top-5 error的第一名是GoogLeNet 6.7%。在圖片定位任務中，也獲得了冠軍。網路層數由之前的AlexNet 的8層提高到了最高19層（網路E）。其突出貢獻在於，證明使用很小的卷積（3*3），增加網路深度，可以有效提升模型的效果。並且VGGNet對其他資料集具有很好的泛化能力。

VGGNet的一部分卷積層後面跟著池化層。總的結構是，在一系列卷積層（中間有池化層）後，是三個全連線層，前兩個全連線層均有4096個通道，第三個由1000個通道，用來分類。所有網路全連線層配置相同。所有隱藏層都使用了ReLU，但不使用LRN。

具體網路配置：

A網路是8個卷積層，3個全連線層，共11層。到E網路時是16個卷積層，3個全連線層。卷積層寬度（通道數）從64到512，每經過一次池化操作擴大一倍。

訓練：

1，通過使用帶有動量的小批量梯度下降法（batch size=256）來優化目標函式

2, 通過權重衰減（L2正則化）和對前兩個全連線進行droupout來實現正則化

3，使用尺寸抖動（scale jittering）方法：對原始圖片的裁剪尺寸，隨機從[256,512]的確定範圍內進行抽樣，這樣原始圖片尺寸不一，有利於訓練，比採用單一尺寸裁剪影象效果要好。增強了訓練集（另外也使用了影象翻轉來增強訓練集）。

作者在最後還將多個卷積網路進行融合，效能也有所提高。

最後，文中還介紹了VGGNet在定位任務中網路的訓練和測試過程，對之前的分類任務的網路模型做了一些修改就取得了第一名。之後將VGG網路應用於其他的資料集中，也取得了很不錯的成績。說明VGGNet 具有很好的泛化能力。

小結：

1. 使用比較小的卷積核（3*3）比使用較大的卷積核（5*5、7*7、11*11等）的效果要好很多，不僅降低了錯誤率，而且還減少了需要訓練的引數。（用3x3的卷積核是因為這是能捕捉到各個方向的最小尺寸了。由於第一層中往往有大量的高頻和低頻資訊，卻沒有覆蓋到中間的頻率資訊，且步長過大，容易引起大量的混疊，因此卷積核尺寸和步長要儘量小）
2. AlexNet中使用過的LRN（區域性響應歸一化）方法並不能降低錯誤率，相反還造成了記憶體損耗，增加了計算量
3. 可以使用1*1的卷積核，能在不影響卷積層接受域的情況下增加決策函式的非線性，提升網路的表達能力，只增加很小的計算量。

（另外，1*1卷積核還有降維的作用，此處作者沒有提到）