数据加载模块实现数据的读取和预处理。为了统一神经网络输入的大小，读入图像数据后，首先需要将图像缩放到224x224 的大小，并用矩阵的方式存储。
然后，对输入图像做标准化处理，将输入值的范围从[0, 255]标准化为均值为0的区间。
本实验仅实现VGG19 的推断过程，因此不需要实现反向传播计算和参数的更新，仅需实现层的初始化、参数初始化、前向传播计算、参数加载等基本操作。在VGG19网络中，包含卷积层、ReLU层、最大池化层、全连接层和Softmax层。
此外还需实现一个flatten（扁平化）层，用在VGG19中第一个全连接层之前，用于将最大池化层（pool5）输出的四维特征图矩阵变形为二维矩阵作为全连接层的输入。最大池化层和flatten层中没有参数，不包含参数初始化和参数加载操作。
本实验的网络结构模块用一个类来定义VGG19 神经网络，用类的成员函数来定义VGG19 的初始化、建立网络结构、神经网络参数初始化等基本操作。
网络推断模块包含VGG19 网络的前向传播、VGG19 网络参数的加载、推断函数主体等操作，这些操作用VGG19 神经网络类的成员函数来定义。
本实验仅需要对给定的一张图像进行分类，因此给定一张预处理好的图像，执行网络前向传播函数即可获得VGG19 预测的1000 个类别的分类概率，然后取其中概率最大的类别作为最终预测的分类类别。在实际应用中，可能需要对一个数据集中的多张测试图像依次进行分类，然后与测试图像对应的标记进行比对，即可得到测试数据集的分类正确率。
首先实例化VGG19 网络对应的类，建立VGG19 的网络结构，并对每层的参数进行初始化，然后从官方模型中加载每层的参数，之后加载给定的图像并进行预处理，最后调用网络推断模块获得最终的图像分类结果。
硬件环境：CPU。
软件环境：Python 编译环境及相关的扩展库，包括Python 2.7.12，Pillow 6.0.0，Scipy0.19.0，NumPy 1.16.0（本实验不需使用TensorFlow等深度学习框架）。
数据集：官方训练VGG19使用的数据集为ImageNet。该数据集包括约128万训练图像和5万张测试图像，共有1000个不同的类别。本实验使用了官方训练好的模型参数，并不需要直接使用ImageNet数据集进行VGG19模型的训练。
本实验利用VGG19 网络进行图像分类。首先建立VGG19 的网络结构，然后利用VGG19的官方模型参数对给定图像进行分类。VGG19 网络的模型参数是在ImageNet数据集上训练获得，其输出结果对应ImageNet 数据集中的1000 个类别概率。在工程实现中，依然按照第2.1节实验的模块划分方法，每个模块的具体实现基于第2.1节实验进行改进。由于本实验只涉及VGG19 网络的推断过程，因此本实验仅包括数据加载模块、基本单元模块、网络结构模块、网络推断模块，不包括网络训练模块。