VGGNet探索了卷积神经网络的深度与性嫩之间的关系，通过反复堆叠3×3的卷积核和2×2的池化层构建了16层的卷积神经网络。
由上图所知，VGG一共有五段卷积，每段卷积之后紧接着最大池化层，作者一共实验了6种网络结构。分别是VGG-11，VGG-13,VGG-16,VGG-19，网络的输入是224*224大小的图像，输出是图像分类结果。
下面我们主要针对tensorflow如何实现vgg做出讲解。
VGGNet-16包含了很多卷积层，因此我们写一个conv——op，来创建卷积层并把本层的参数存入参数列表。此函数的输入有：input_op是输入的tensor，name是名称，kh为卷积核的高，kw为宽，n_out是输出通道数，dh是步长的高，dw是步长的宽，p是参数列表。接着使用tf.nn.conv2d对input_op进行卷积处理，使用tf.Variable将其转成可训练的参数，最后输出activation作为函数结果返回。
下面定义全连接层函数fc_op。这里跟上面的函数不同的是参数维度，因为是全连接所以维度只有两个参数。
再定义最大池化层的创建函数mpool_op。
完成了卷积层，全连接层与最大池化层的函数，接下来就开始创建VGGNet-16的网络结构。构建函数为inference_op，输入有input_op和keep_prob，这里keep_prob是控制dropout的一个placeholder。从结构图中，我们知道第一层有两个3×3卷积层与最大池化层构成。第一个卷积层的输入input_op的size为224×224×3，输出size为224×224×64，第二个卷积层的输入输出size均为224×224×64，经过池化层后变为112×112×64.
第二段同样是两个3×3卷积层与一个池化层，输出通道数为128，因此这一段网络的输出size为56×56×128.
第三段有三个3×3的卷积层与一个池化层，输出通道数变为256，最终输出size为28×28×256。
第四段有三个3×3的卷积层与一个池化层，输出通道数变为512，最终输出size为14×14×512。
最后一段卷积层有所变化，这里通道数不再增加，维持在512，而经过池化层后输出size为7×7×512.
我们将最后输出flat成一维向量，然后链接一个隐含节点数为4096的全连接层，激活函数为Relu。再接一个dropout层，在训练时保留率为0.5，预测时为1.0。接下来是一个和前面一样的全连接层，后面连着dropout。最后一个有1000个输出节点的全连接层，并使用softmax进行处理得到分类输出概率，此时VGGNet-16的网络结构就全部构建完毕了。
