VGGNet：为什么16层简单堆叠能成为CNN经典？

配套笔记&讲解视频，点击文末名片获取

1. 研究背景和动机
   在 VGG 出现之前，图像识别就像“盲人摸象”：

• 计算机看一张图，只能凭感觉抓几个零散的“特征点”，
• 结果忽好忽坏，时灵时不灵。
  大家发现，如果把“看图的流程”做得更深、更系统，准确率就能蹭蹭往上涨。于是“深一点的网络”成了当时的香饽饽，但问题是：
• 怎么深？
• 深了会不会崩？
  牛津大学的 VGG 团队（Visual Geometry Group）站出来说：
  “我们不想玩花活，就想回答一个朴素的问题——
  如果每一层都用最简单、最统一的小积木，一直往上摞，会发生什么？”
  他们把“小积木”定成：
• 统一大小（3×3）
• 统一步长（一步一格）
• 统一“粘合剂”（池化层）
  就像只用一种形状的乐高方块，却硬要搭出摩天大楼。
  他们想证明：
  “简单 + 深度” 可能比 “复杂 + 浅层” 更给力。

2、VGG16 的创新点

1. 深层网络结构（楼层更高的“特征大楼”）

• 可以把神经网络想象成一栋大楼，每一层都在提取不同层次的图像特征。
• AlexNet 就像一栋 8 层的楼，大体能看到物体的形状。
• VGG16 把楼层加高到了 16 层，每一层都更细致地加工特征，能看出更复杂、更抽象的细节。

2. 小卷积核堆叠（小放大镜的组