8、卷积神经网络架构：VGG19 到 DenseNet 的探索

卷积神经网络架构：VGG19 到 DenseNet 的探索

1. VGG19 概述

VGG19 架构交替使用卷积层和最大池化层，且仅使用 3x3 卷积核。其相关论文由 Karen Simonyan 和 Andrew Zisserman 于 2014 年发表，代码示例为 03d_finetune_VGG19_flowers104.ipynb 。

以下是 VGG19 的性能对比表格：
| 模型 | 参数数量（不含分类头） | ImageNet 准确率 | 104 种花 F1 分数（微调） | 104 种花 F1 分数（从头训练） |
| — | — | — | — | — |
| VGG19 | 20M | 71% | 88%（精确率：89%，召回率：88%） | N/A |
| AlexNet（对比） | 3.7M | 60% | 39%（精确率：44%，召回率：38%） | |

注：
- 排除分类头的参数计数便于不同架构间的比较。无分类头时，网络参数数量与分辨率无关，微调时可能使用不同分类头。
- 准确率、精确率、召回率和 F1 分数越高越好。
- 未对 VGG16 在 104 种花数据集上从头训练，因其结果远不如微调。

2. 全局平均池化

在 AlexNet 和 VGG19 架构中，最后卷积层输出的特征图会被展平为向量，再输入到一个或多个全连接层，最终以 softmax 激活的全连接层结束，神经元数量与分类问题的类别数相同。但全连接层的权重数量较多。

若目标只是获取 N 个值以输入 N 路 softmax 函数，可调