一、VGG

        AlexNet比LeNet更深更打来得到更好的精度，那能不能更深和更大？

        有以下几种选项：

•  更多的全连接层（但是全连接层很占内存，太贵）
• 使用更多的卷积层（可能引发梯度消失/爆炸问题，需依赖归一化层或残差连接等技巧稳定训练，但设计复杂度较高。）
• 将卷积层组合成块（VGG的做法，采用重复的3×3卷积块替代大卷积核，在保持感受野的同时减少参数量。这种模块化设计便于扩展深度，且参数量增长线性可控）

二、VGG块

        VGG块其实就是AlexNet思路的拓展

• 在卷积神经网络设计中，深度（层数）与宽度（通道数）的平衡是关键。较深的窄结构（如堆叠多个3x3卷积）通常比浅的宽结构（如单层5x5卷积）更有效。
• VGG块
  • 3x3卷积（填充1）（n层，m通道）
  • 2x2最大池化层（步幅2）

三、VGG架构

• vgg相当于替换掉AlexNet卷积层的部分
• 多个VGG块后接全连接层
• 不同次数的重复块得到不同的架构VGG-16，VGG-19，……（包括全连接层是16or19or……）

四、进度

• LeNet
  • 2卷积+池化层
  • 2全连接层
• AlexNet
  • 更大更深
  • ReLU，Dropout，数据增强
• VGG
  • 更大更深的AlexNet（重复的VGG块）

五、总结

• VGG使用可重复使用的卷积快来构建深度卷积神经网络
• 不同的卷积快个数和超参数可以得到不同复杂度的变种