经典 CNN 网络 VGG

一、VGG 网络诞生背景

VGGNet 由牛津大学视觉几何组 VGG 联合 Google DeepMind 提出，亮相于 2014 年 ImageNet 图像分类竞赛 ILSVRC-2014，最终拿下亚军，当年冠军为 GoogLeNet。

日常大家口中的 VGG，默认指VGG-16，包含 13 层卷积层 + 3 层全连接层，总权重层 16 层；另有加深版本 VGG-19（19 层权重）。 对比初代深度 CNN AlexNet，VGG 核心优势：

1. 网络深度更深，特征提取能力更强；
2. 结构规整、模块化，易复现、易迁移；
3. 泛化性能优秀，后续检测、分割任务大量用作骨干网络； VGG-16 总参数量约 1.38 亿，相比 AlexNet 参数量更大，对硬件算力、存储有更高要求。

二、VGG 全套网络配置（6 种结构 A/A-LRN/B/C/D/E）

论文一共给出 6 种不同深度的 VGG 结构，区别仅在于卷积层堆叠数量：

表格

实验证明两点关键结论：

1. AlexNet 中的 LRN 局部响应归一化层提升极小，后续主流 VGG16/19 全部舍弃；
2. 单纯堆叠 3×3 卷积比插入 1×1 卷积效果更好，因此 VGG16 (D) 成为标准版本。

三、VGG 核心结构：VGG Block 模块化设计

VGG 最标志性设计就是VGG 块（vgg-block），整套网络由重复的卷积块 + 池化层串联而成，结构高度统一： 单个 Block 标准流程：多层3×3卷积（ReLU激活） → 2×2最大池化MaxPool

卷积统一超参（所有卷积层通用）

• 卷积核：3×3
• 步幅 stride=1
• 填充 padding=1 作用：卷积前后特征图宽高尺寸不变，方便多层堆叠。

池化统一超参（所有池化层通用）

• 池化核：2×2
• 步幅 stride=2 作用：每经过一个 Block，特征图宽、高减半，尺寸规整递减：224 → 112 → 56 → 28 → 14 → 7

四、VGG16 逐层完整维度拆解（输入 224×224×3 RGB 图）

VGG16 一共 5 个 VGG 卷积块，5 次下采样池化，末尾接三层全连接 + Softmax 输出。

Block1（2 层 Conv）

1. 输入：224×224×3 → Conv3-64 → 224×224×64 + ReLU
2. Conv3-64 → 224×224×64 + ReLU
3. MaxPool2×2/2 → 输出 112×112×64

Block2（2 层 Conv）

1. 输入：112×112×64 → Conv3-128 → 112×112×128 + ReLU
2. Conv3-128 → 112×112×128 + ReLU
3. MaxPool2×2/2 → 输出 56×56×128

Block3（3 层 Conv）

1. 输入：56×56×128 → Conv3-256 ×3 → 56×56×256
2. MaxPool2×2/2 → 输出 28×28×256

Block4（3 层 Conv）

1. 输入：28×28×256 → Conv3-512 ×3 → 28×28×512
2. MaxPool2×2/2 → 输出 14×14×512

Block5（3 层 Conv）

1. 输入：14×14×512 → Conv3-512 ×3 → 14×14×512
2. MaxPool2×2/2 → 输出 7×7×512

全连接分类头

1. Flatten 展平：7×7×512 = 25088 一维特征
2. FC1：4096 神经元 + ReLU + Dropout
3. FC2：4096 神经元 + ReLU + Dropout
4. FC3：1000 神经元（ImageNet1000 分类）
5. Softmax：输出各类别概率

模型代码

import torch from torch import nn from torchsummary import summary class VGG16(nn.Module): def __init__(self): super(VGG16,self).__init__() self.block1 = nn.Sequential( nn.Conv2d(in_channels=1,out_channels=64,kernel_size=3,padding=1), nn.ReLU(), nn.Conv2d(in_channels=64, out_channels=64, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2,stride=2) ) self.block2 = nn.Sequential( nn.Conv2d(in_channels=64, out_channels=128, kernel_size=3, padding=1), nn.ReLU(), nn.Conv2d(in_channels=128, out_channels=128, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2, stride=2) ) self.block3 = nn.Sequential( nn.Conv2d(in_channels=128,out_channels=256,kernel_size=3,padding=1), nn.ReLU(), nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, padding=1), nn.ReLU(), nn.Conv2d(in_channels=256, out_channels=256, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2,stride=2) ) self.block4 = nn.Sequential( nn.Conv2d(in_channels=256,out_channels=512,kernel_size=3,padding=1), nn.ReLU(), nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, padding=1), nn.ReLU(), nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2,stride=2) ) self.block5 = nn.Sequential( nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, padding=1), nn.ReLU(), nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, padding=1), nn.ReLU(), nn.Conv2d(in_channels=512, out_channels=512, kernel_size=3, padding=1), nn.ReLU(), nn.MaxPool2d(kernel_size=2,stride=2), ) self.block6 = nn.Sequential( nn.Flatten(), nn.Linear(7 * 7 * 512, 256), nn.ReLU(), nn.Dropout(0.5), nn.Linear(256, 128), nn.ReLU(), nn.Dropout(0.5), nn.Linear(128, 10), ) for m in self.modules(): if isinstance(m, nn.Conv2d): nn.init.kaiming_normal_(m.weight, nonlinearity='relu') if m.bias is not None: nn.init.constant_(m.bias, 0) elif isinstance(m, nn.Linear): nn.init.normal_(m.weight, 0, 0.01) if m.bias is not None: nn.init.constant_(m.bias, 0) def forward(self,x): x = self.block1(x) x = self.block2(x) x = self.block3(x) x = self.block4(x) x = self.block5(x) x = self.block6(x) return x if __name__ == "__main__": device = torch.device("cuda" if torch.cuda.is_available() else "cpu") model=VGG16().to(device) summary(model,(1,244,244))

五、VGG 四大核心设计亮点

1. 全程使用 3×3 小卷积核，替代大尺寸卷积

以往 AlexNet 使用 11×11、5×5 大卷积，VGG 全部统一 3×3：

• 两层 3×3 卷积堆叠感受野等价于 1 层 5×5 卷积；三层 3×3 等价 7×7；
• 多层非线性激活叠加，特征拟合能力更强；
• 同等感受野下，3×3 组合参数量更少、计算更高效。

2. 模块化 Block，结构极简易扩展

5 组结构相似的卷积块重复堆叠，只需要调整每个 Block 内卷积层数，就能轻松实现 VGG11/VGG16/VGG19，工程实现、网络修改成本极低。

3. 特征图尺寸规整递减，便于计算与调试

依靠padding=1、stride=1卷积保尺寸，2×2池化stride=2固定减半，每层输出维度可精准推导，调参、可视化特征更友好。

4. 迁移学习能力极强

虽然 VGG 参数量大、推理速度慢，但浅层卷积提取通用边缘、纹理特征，深层提取高级语义特征，至今仍是图像分类、目标检测、语义分割任务中最常用的预训练骨干网络之一。

六、VGG 网络优缺点总结

优点

1. 结构简单、逻辑清晰，新手友好，极易代码复现；
2. 小卷积堆叠带来更强非线性表达，分类精度高；
3. 预训练权重通用性强，迁移学习效果稳定；
4. 网络分层规律，特征可视化、消融实验方便。

缺点

1. 参数量巨大（VGG16 1.38 亿），大量参数集中在全连接层，内存占用高；
2. 全连接层计算量大，推理速度慢，不适合移动端实时部署；
3. 无残差结构，深度无法无限加深，对比后续 ResNet 上限更低；
4. 没有分组卷积、空洞卷积等轻量化设计，算力开销大。

七、VGG 实战使用场景

1. 图像分类 baseline：小型数据集训练首选预训练 VGG，微调成本低；
2. 目标检测骨干：早期 Faster R-CNN 标配骨干网络；
3. 图像分割：FCN、U-Net 早期版本使用 VGG 提取编码器特征；
4. 特征提取：无需分类头，截取卷积层输出做图像检索、相似度匹配。