VGG卷積神經網路是牛津大學在2014年提出來的模型。當這個模型被提出時，由於它的簡潔性和實用性，馬上成為了當時最流行的卷積神經網路模型。它在影象分類和目標檢測任務中都表現出非常好的結果。在2014年的ILSVRC比賽中，VGG 在Top-5中取得了92.3%的正確率。有VGG16和VGG19，模型的權重由ImageNet訓練而來
1、VGG結構

下面以VGG16為例來說明：

看出VGG16由13個卷積層+3個全連線層=16層構成，過程為：
經過的卷積核大小為333，stride=1，padding=1，pooling為採用2x2的max pooling方式。
（1） 輸入：輸入224 * 224 * 3的圖片。
（2） Conv1_1+conv1_2+pool1：經過64個卷積核的兩次卷積後，採用一次max pooling。經過第一次卷積後，有（3 * 3 * 3） * 64=1728個訓練引數；第二次卷積後，有（3 * 3 * 64） * 64=36864個訓練引數，大小變為112 * 112 * 64.
（3） Conv2_1+conv2_2+pool2：經過兩次128個的卷積核卷積之後，採用一次max pooling，有（3 * 3 * 128） * 128=147456個訓練引數，大小變為56 * 56 * 128.
（4） Conv3_1+conv3_2+con3_3+pool3: 經過三次256個的卷積核卷積之後，採用一次max pooling，有（3 * 3 * 256） * 256=589824個訓練引數，大小變為28 * 28 * 256.
（5） Conv4_1+conv4_2+con4_3+pool4: 經過三次512個的卷積核卷積之後，採用一次max pooling，有（3 * 3 * 512） * 512=2359296個訓練引數，大小變為14 * 14 * 512.
（6） Conv5_1+conv5_2+con5_3+pool5: 再經過三次512個的卷積核卷積之後，採用一次max pooling，有（3 * 3 * 512） * 512=2359296個訓練引數，大小變為7 * 7 * 512.
（7） Fc6+Fc7+Fc8:經過三次全連線，最終得到1000維的向量。

2、利用tensorflow搭建網路並提取指定層特徵
包括定義網路引數，定義卷積層、池化層、全連線層操作，定義網路結構，等操作，然後根據是分類任務或是其他任務定義損失函式開始訓練等。程式碼較長，在此就不列出，會附在附件中，需要的同事可檢視。因為我只需要利用預訓練好的vgg提取影象的特徵，所以會去掉最後一層softmax,這裡需要提前下載在大的影象資料集ImageNet上訓練好的網路權重檔案vgg16.npy。載入方法如下：vgg16_npy_path為vgg16.npy檔案的存放路徑，

提取影象特徵的程式碼如下，需要提取哪一層的特徵，就把名字修改一下即可，如：我提取的是fc7層，下面就寫vgg.fc7，每層名字的定義在vgg16.py檔案中，到此操作完畢。