首先，我们我们知道深度学习中网络的计算量代表时间复杂度，参数量代表空间复杂度。

从ResNet的论文中可知(ResNet论文可在这个文章中的第六部分找到)152层的残差网络在时间复杂度上和VGG16是一样大的。

接下来我们先对VGG16的计算量(时间复杂度)和参数量(空间复杂度)都进行估算。(VGG网络的相关知识可以在这篇文章中了解)

我们以VGG16的第一层卷积为例：

输入图像224 * 224 * 3，输出224 * 224 * 64，卷积核大小为3 * 3.

计算量： Times = 224 * 224 * 3 * 3 * 64=8.7 * 10^7

参数量： Space = 3 * 3 * 3 * 64=1728

我们再对最后一层卷积进行计算：

输入 14 * 14 * 512，输出 14 * 14 * 512，卷积核大小为3 * 3

计算量： Times = 14 * 14 * 3 * 3 * 512 * 512 = 4.6 * 10^8

参数量： Space = 3 * 3 * 512 * 512 = 2.4 * 10^6

我最后对最后一层全连接层进行计算：

全连接层可以看成是一种特殊的卷积层，上层为1 * 1 * 4096，下层为 1 * 1 * 1000，使用的是1 * 1的卷积核进行卷积。

计算量： Times = 1 * 1 * 1 * 1 * 4096 * 1000 = 4 * 10^6

参数量： Space = 1 * 1 * 4096 * 1000 = 4 * 10^6

VGG16网络总结：

卷积层的时间复杂度大致是在同一数量级的。

随着网络深度的加深，卷积层的空间复杂度快速上升(每层的空间复杂度是上一层的两倍)。

全连接层的空间复杂度比卷积层的最后一层还大。

说了以上的内容，我们回过头来再看问题：VGG16核ResNet152哪个参数量更多？

应该是VGG16参数量更多，因为ResNet152是用了Bottleneck Design结构，这个结构有两个1 * 1 和一个3 * 3的卷积组成，大大缩减了参数量。(关于Bottleneck可以参考这篇文章的第一部分)