本文讨论了VGG网络的特点，其使用3*3卷积核并通过增加特征图数量补偿尺寸损失。尽管VGG的效率提高了约15%，但其训练时间较长。有趣的是，VGG在16层时表现优于预期的30层，揭示了深度学习中并非单纯追求深度，而是层次间的有效特征提取关键。
该网络卷积核均为3*3的矩阵，每次池化以后，Vgg便通过添加特征图个数来弥补长宽上缺失的特征。且虽然他的效率比原始神经网络要好15%左右，但是在训练时间上，Vgg训练时间大概以天为单位，且对于此网络，当层数达到16时，它比预想中的30层效果要好得多，这并不太符合我们理解的深度学习（越深效果越好），而是因为每一次在上一次的特征前提下提取，得到的结果，并不一定比上一次更好。。。
扫一扫
评论
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
查看更多评论
添加红包
