参考原文：https://blog.csdn.net/sinat_33487968/article/details/83582299
如图所示，VGG有多个版本，从A-E，D阶段为VGG-16，E阶段是VGG-19，VGG-16指的是conv+fc层，不包括max pooling层，VGG卷积都是same卷积，即卷积后输出图像的尺寸与输入一致。VGG 网络的贡献即使用小尺寸的卷积核（3×3），以及有规则的卷积-池化操作。
下面看VGG （pytorch提供的）源码：
首先是关于模型预训练的部分每一个模型都大同小异，因为VGG有多个版本所以不同的版本有不同的预训练模型下载地址。可以看看https://blog.csdn.net/sinat_33487968/article/details/83582299里的解释。
重点关注模型部分。VGG这个类里面的self.features就代表了卷积的部分，而self.classifer就是后面的全连接部分。因为每一个VGG的版本前面的卷积层数不同（其实卷积核的大小论文里面也是有不同，只是这里的torchvision为了简便将所有的卷积核大小都定义为3。）foward函数就是网络前向传播的过程，而_initialize_weights函数是对网络的一些权重进行初始化，初始化的方式有很多种，可以参考pytorch官网上面torch.nn.init部分https://pytorch.org/docs/stable/nn.html#torch-nn-init。
看到有一个方法是kaiming大神在Delving deep into rectifiers: Surpassing human-level performance on ImageNet classification中提出的。有兴趣的可以去看。
这么多重复的卷积不可能一个一个写。所以使用了一个make layers的函数for循环产生卷积层。
这里的cfg就是我们对于每个版本的VGG卷积层的定义，其中'M'代表了maxpooling，数字代表了卷积核的数量。前面的字母可以和上图的论文上面截取的图片相匹配
其中有一句：model = VGG(make_layers(cfg['D']), **kwargs)
VGG是定义的类，make_layers是在类中定义的函数，即类可以调用类之外调用的函数，这个函数也就是类传入的参数。make_layers(cfg['D'])即为features。
VGG全部源码见 /home/wangqi/PycharmProjects/pytorch_learning/自定义模型/VGG_yuanma.py
关于参数的初始化，没有也不会影响训练。而VGG网络中的参数初始化函数，只要是CNN 都可以用这种方法进行初始化。在__init__里面调用即可。
附上一张VGG16每一层的输出情况：
