Mu Tian1. VGGNet架构全景解析
2014年牛津大学视觉几何组（Visual Geometry Group）提出的VGGNet，在ImageNet挑战赛上一举超越GoogleNet成为亚军，其简洁的堆叠式设计至今仍是计算机视觉领域的经典教材。不同于同期网络追求复杂模块的创新，VGG用最朴素的3×3卷积堆叠证明了"深度决定性能"的假设——当网络深度达到16-19层时，模型能够提取出具有惊人判别力的特征。
我在实际图像分类任务中对比发现，相比其他复杂架构，VGG的特征图具有更好的空间层次性。第一组卷积层捕捉边缘和颜色突变，第三组开始形成纹理模式，到第五组已经能识别完整的物体部件。这种渐进式的特征学习过程，使得VGG成为迁移学习的理想选择，特别是在医疗影像分析领域，我们常直接用预训练的VGG16作为特征提取器。
关键洞见：所有卷积层采用3×3小核+步长1的固定配置，配合2×2最大池化，这种设计让网络在保持感受野的同时大幅增加深度。实测显示两个3×3卷积堆叠（等效5×5卷积）比单个5×5卷积参数量减少28%，且引入了更多非线性。
1.1 核心结构拆解
标准VGG16包含13个卷积层和3个全连接层，所有隐藏层都使用ReLU激活。其结构可分为五个卷积块（Conv Block），每个块末尾接最大池化降采样：
code复制输入224×224 RGB图像
├─ Conv Block1：2×[64通道3×3卷积] → maxpool
├─ Conv Block2：2×[128通道3×3卷积] → maxpool
├─ Conv Block3：3×[256通道3×3卷积] → maxpool
├─ Conv Block4：3×[512通道3×3卷积] → maxpool
├─ Conv Block5：3×[512通道3×3卷积] → maxpool
└─ 全连接层：4096 → 4096 → 1000（ImageNet类别）
在TensorFlow中实现时需要注意，原始论文在第一个全连接层前将7×7×512的特征图展平为25088维向量。现代实现通常会加入Dropout层（rate=0.5）防止过拟合，这是原论文未明确提及但实际必需的技巧。
1.2 参数规模与计算量
以VGG16为例，其1.38亿参数中，全连接层占比高达90%。这也是后来网