第5篇 视觉“骨架网”的进化——从VGG、GoogLeNet到ResNet

《人工智能AI之计算机视觉：从像素到智能》· 模块一：视觉之门——从经典特征到CNN革命 

在上一篇，我们见证了2012年AlexNet带来的“创世爆炸”。它就像一把开天辟地的巨斧，劈开了“手工特征”时代的混沌，证明了“深度”CNN是一条可行且强大的道路。

但AlexNet毕竟只是一个开始，它更像是一个“原型机”，虽然惊艳，但结构略显粗糙。它留给全世界一个巨大的悬念：

如果8层网络能做到这样，那18层、50层、甚至100层呢？网络是不是越深越好？

这个问题，在随后的三年里（2014-2015），引发了一场疯狂的“军备竞赛”。全球最顶尖的头脑都在思考同一个问题：如何把网络做得更深、更强？

在这场竞赛中，诞生了三个名字，它们不仅是ImageNet赛场上的冠军，更成为了定义现代计算机视觉的“三大基石架构”。它们是：

1. VGG：极简主义的丰碑。
2. GoogLeNet (Inception)：复杂精妙的“盗梦空间”。
3. ResNet：打破“深度诅咒”的天才之作。

今天，我们就来一场深度穿越，去看看这三位“巨人”是如何用截然不同的哲学，搭建起现代AI之眼的“骨架”的。

---

一、 VGG：极简主义的胜利——“又深又小”的哲学

2014年，来自牛津大学视觉几何组（Visual Geometry Group）的VGG模型登场了。

第一眼看去，VGG简直“土”得掉渣。

• 熟悉元素：它没有花哨的结构。它就像用同一种乐高积木——3x3的小卷积核——反复堆叠而成。
• 意外创新（洞察）：在VGG之前，大家喜欢用大的卷积核（比如AlexNet用了11x11和5x5），认为大的能看得更“广”。