CNN经典算法VGGNet介绍（论文详细解读）

最新推荐文章于 2025-06-18 21:01:03 发布

置顶

带着小板凳学习

最新推荐文章于 2025-06-18 21:01:03 发布

阅读量1.2w

点赞数 10

CC 4.0 BY-SA版权

分类专栏：深度学习的经典算法的论文、解读和代码实现

本文链接：https://blog.youkuaiyun.com/u013963380/article/details/94902839

VGGNet是2014年提出的深度卷积神经网络，旨在探索网络深度对性能的影响。它使用小尺寸（3x3）卷积核，通过堆叠增加网络深度，以替代大尺寸卷积核。网络结构简洁，但参数量大，消耗较多计算资源。VGGNet的预训练模型广泛应用于多种任务，对后续深度学习发展产生了深远影响。

CNN经典算法VGGNet介绍

本文是深度学习经典算法解读的一部分，原文发之：https://www.datalearner.com/blog/1051558603213207

来源论文：Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for large-scale image recognition.” arXiv preprint arXiv:1409.1556 (2014).

VGGNet（Visual Geometry Group）是2014年又一个经典的卷积神经网络。VGGNet最主要的目标是试图回答“如何设计网络结构”的问题。随着AlexNet提出，很多人开始利用卷积神经网络来解决图像识别的问题。一般的做法都是重复几层卷积网络，每个卷积网络之后接一些池化层，最后再加上几个全连接层。而VGGNet的提出，给这些结构设计带来了一些标准参考。

一、VGGNet的出发点

在VGGNet的论文中，作者主要探究了卷积网络深度的影响。其最主要的贡献是使用较小的卷积核，但较深的网络层次来提升深度学习的效果。在此之前，有很多研究者利用如较小的receptive window size和步长等技巧来提升网络效果。而在这边文章中，作者的主要目标是探索深度学习深度的影响。作者固定了网络中其他的参数，通过缓慢的增加网络的深度来探索网络的效果。

先前的网络使用的接受野都是较大的。例如AlexNet的第一层使用的是11x11、步长为4的卷积核扫描。而VGGNet全部使用很小的3x3、步长为1的卷积核来扫描输入。可以看到，如果将两个这样的卷积核堆起来，和5x5的卷积核效果一样，如果是三个堆叠，其效果等同于7x