基本介绍
- 核心特点：使用重复的3×3卷积核构建深层网络，显著提升图像分类性能
网络结构
核心配置
-
包含 16-19个权重层（VGG16/VGG19为典型代表）
-
仅使用3×3卷积核和2×2最大池化
-
卷积层深度逐步增加（64→128→256→512通道）
-
全连接层：3层（4096→4096→1000神经元）
设计特点
-
小卷积核堆叠：
多个3×3卷积替代大卷积核（等效5×5/7×7感受野），参数更少且引入更多非线性。 -
统一结构：
所有卷积层使用相同padding保持空间分辨率，池化层负责下采样。 -
全连接层简化：
最后3层全连接用于分类，输出层为ImageNet的1000类softmax。
优缺点
优点：
-
结构简单规整，易于复现。
-
预训练模型广泛用于迁移学习。
-
深层特征表达能力优异
缺点：
-
参数量大（VGG16约1.38亿参数），内存消耗大，并且容易造成过拟合。
-
全连接层计算成本高。