vgg16和res50的区别

### VGG16与ResNet50架构差异

#### 架构设计哲学
VGG16采用的是较为传统的卷积神经网络结构，通过堆叠多个小型滤波器（通常是3×3大小）来构建深层网络。而ResNet50引入了残差模块的概念，在每一层之间加入快捷连接路径，允许梯度更有效地向前传播和向后传递[^1]。

#### 层级数量对比
尽管名字中含有“16”和“50”，实际上这两个数字代表各自模型中的权重层数目不同定义方式下的计数方法。具体来说：

- **VGG16**拥有大约16个可以训练的参数层；
- **ResNet50**则由超过50个这样的可训练层组成，但由于存在跳跃连接机制，实际有效感受野更大[^2]。

#### 训练难度
随着网络深度增加，传统CNN如VGG容易遇到退化问题——即当网络变得更深时，准确率反而会饱和甚至下降。相比之下，ResNet利用其独特的残差单元解决了这一难题，使得更深的网络能够被更好地优化并取得更好的性能表现。

#### 参数量及计算成本
一般来说，虽然ResNet50具有更多的理论层次，但在实践中它往往比VGG16拥有较少的总参数数目，并且因为采用了瓶颈设计和其他效率提升措施，在推理速度上也可能优于后者。

import torch.nn as nn

class VGGBlock(nn.Module):
    def __init__(self, in_channels, out_channels):
        super(VGGBlock, self).__init__()
        self.conv = nn.Conv2d(in_channels=in_channels,
                              out_channels=out_channels,
                              kernel_size=3,
                              padding=1)

class ResidualBlock(nn.Module):  
    expansion = 4
    
    def __init__(self, inplanes, planes, stride=1, downsample=None):
        super(ResidualBlock, self).__init__()
        self.conv1 = nn.Conv2d(inplanes, planes, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(planes)
        self.relu = nn.ReLU(inplace=True)
        self.conv2 = nn.Conv2d(planes, planes, kernel_size=3, stride=stride,
                               padding=1, bias=False)
        self.bn2 = nn.BatchNorm2d(planes)
        self.conv3 = nn.Conv2d(planes, planes * self.expansion, kernel_size=1, bias=False)
        self.downsample = downsample