一、VGGAlexNet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1n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-16VGG-19……包括全连接层是16or19or……四、进度LeNet2卷积池化层2全连接层AlexNet更大更深ReLUDropout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