VGG
VGG: Architettura CNN profonda usando filtri piccoli 3x3 ovunque, enfatizzando profondità. VGG-16 e VGG-19 con 16/19 layer. Architettura semplice e uniforme. Più conv 3x3 approssimano campi ricettivi più grandi efficientemente. Esempi di applicazione: VGG-16 per transfer learning, Backbone estrazione feature, Classificazione ImageNet.
In English: VGGLegge III · Come una rete impara dai datiVGG-16 e VGG-19 con 16/19 layer. Architettura semplice e uniforme. Più conv 3x3 approssimano campi ricettivi più grandi efficientemente.
Formula
Output di un blocco = 3×3 Conv → ReLU → 3×3 Conv → ReLU → 2×2 MaxPool
Esempio numerico
import torch.nn as nn
block = nn.Sequential(
nn.Conv2d(64, 64, 3, padding=1), nn.ReLU(),
nn.Conv2d(64, 64, 3, padding=1), nn.ReLU(),
nn.MaxPool2d(2)
)
print(sum(p.numel() for p in block.parameters())) # 73,856Quando usarlo
VGG16 e VGG19 sono riferimenti per comprendere le CNN e baseline di transfer learning visivo.
Limiti
Hanno molti parametri e costo computazionale; le connessioni residue e le architetture efficienti sono spesso preferibili oggi.
Esempi
- VGG-16 per transfer learning
- Backbone estrazione feature
- Classificazione ImageNet
Autovalutazione
Tre domande per verificare la comprensione della voce. Le spiegazioni restano disponibili anche senza JavaScript.