卷积神经网络VGGnet

### 卷积神经网络 VGGNet 的架构

VGG 是一种经典的深度卷积神经网络架构，全称为 Visual Geometry Group，由牛津大学计算机视觉组提出[^1]。该模型通过堆叠多个小型的 3×3 卷积层来构建深层结构。

#### 主要特点

- **统一的小型滤波器尺寸**：所有卷积层均采用 3×3 小型滤波器，在保持感受野的同时减少参数数量并提高计算效率。

- **加深网络层次**：相比早期 CNN 模型，VGG 显著增加了网络层数，最深版本达到 19 层，这使得特征提取更加精细。

- **简单而规整的设计理念**：整个网络仅使用相同大小的卷积核以及最大池化操作，简化了设计复杂度，便于实现和调优。

import torch.nn as nn

class VGG(nn.Module):
    def __init__(self, num_classes=1000):
        super(VGG, self).__init__()
        
        # 定义基础卷积模块
        cfg = [
            64, 64, 'M', 
            128, 128, 'M',
            256, 256, 256, 256, 'M',
            512, 512, 512, 512, 'M',
            512, 512, 512, 512, 'M'
        ]
        
        layers = []
        in_channels = 3
        
        for v in cfg:
            if v == 'M':
                layers += [nn.MaxPool2d(kernel_size=2, stride=2)]
            else:
                conv2d = nn.Conv2d(in_channels, v, kernel_size=3, padding=1)
                layers += [conv2d, nn.ReLU(inplace=True)]
                in_channels = v
                
        self.features = nn.Sequential(*layers)

        classifier = [
            nn.Linear(512 * 7 * 7, 4096),
            nn.ReLU(True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(True),
            nn.Dropout(),
            nn.Linear(4096, num_classes),
        ]

        self.classifier = nn.Sequential(*classifier)


    def forward(self, x):
        x = self.features(x)
        x = x.view(x.size(0), -1)
        x = self.classifier(x)
        return x

### 应用领域

由于其优秀的性能和简洁易懂的特点，VGG 被广泛应用在图像分类、目标检测等多个任务上，并成为许多后续工作的基线模型之一。