vgg16网络结构图

以下是VGG16的网络结构图：

输入(Input): (224, 224, 3)

第一层(Convolutional layer): 64个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(224, 224, 64)
第二层(Convolutional layer): 64个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(224, 224, 64)
第三层(Pooling layer): 大小为2x2，步长为2，输出(112, 112, 64)

第四层(Convolutional layer): 128个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(112, 112, 128)
第五层(Convolutional layer): 128个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(112, 112, 128)
第六层(Pooling layer): 大小为2x2，步长为2，输出(56, 56, 128)

第七层(Convolutional layer): 256个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(56, 56, 256)
第八层(Convolutional layer): 256个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(56, 56, 256)
第九层(Convolutional layer): 256个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(56, 56, 256)
第十层(Pooling layer): 大小为2x2，步长为2，输出(28, 28, 256)

第十一层(Convolutional layer): 512个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(28, 28, 512)
第十二层(Convolutional layer): 512个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(28, 28, 512)
第十三层(Convolutional layer): 512个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(28, 28, 512)
第十四层(Pooling layer): 大小为2x2，步长为2，输出(14, 14, 512)

第十五层(Convolutional layer): 512个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(14, 14, 512)
第十六层(Convolutional layer): 512个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(14, 14, 512)
第十七层(Convolutional layer): 512个卷积核，大小为3x3，步长为1，使用padding，激活函数为ReLU，输出(14, 14, 512)
第十八层(Pooling layer): 大小为2x2，步长为2，输出(7, 7, 512)

第十九层(Flatten layer): 输出7x7x512=25088
第二十层(Dense layer): 4096个神经元，激活函数为ReLU，输出4096
第二十一层(Dropout layer): 以0.5的概率随机断开输入神经元，输出4096
第二十二层(Dense layer): 4096个神经元，激活函数为ReLU，输出4096
第二十三层(Dropout layer): 以0.5的概率随机断开输入神经元，输出4096
第二十四层(Dense layer): 1000个神经元，激活函数为Softmax，输出1000种类别的概率分布

输出(Output): 1000个类别的概率分布