深度学习入门：CNN经典网络模型VGGNet与GoogLeNet的架构解析与实践指南

1次阅读

共计 2139 个字符，预计需要花费 6 分钟才能阅读完成。

卷积神经网络（CNN）是计算机视觉领域的基石技术，而 VGGNet 和 GoogLeNet 作为 2014 年 ImageNet 竞赛的并列冠军，代表了 CNN 架构设计的两个重要方向。选择它们作为学习案例是因为：

VGGNet 以极简的 3×3 卷积堆叠验证了网络深度的重要性
GoogLeNet 提出 Inception 模块开创了多尺度特征融合的先河
两者在当今工业界仍有广泛应用（如 VGG 用于风格迁移，GoogLeNet 的变体用于移动端）

统一卷积核 ：全部使用 3×3 小卷积核堆叠，相当于大感受野但参数更少
结构规律 ：每组卷积后接最大池化，每块深度倍增（64→128→256→512）
参数量 ：VGG16 约 1.38 亿参数，全连接层占比 90%

Inception 模块 ：并行 1×1、3×3、5×5 卷积和池化，通过 1×1 卷积降维
辅助分类器 ：中间层添加辅助输出防止梯度消失
参数优化 ：仅 500 万参数，计算量却达 15 亿次乘加（FLOPs）

import torch.nn as nn

class VGG16(nn.Module):
    def __init__(self, num_classes=10):
        super().__init__()
        self.features = nn.Sequential(
            # Block1: 2 层 Conv
            nn.Conv2d(3, 64, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.Conv2d(64, 64, kernel_size=3, padding=1),
            nn.ReLU(inplace=True),
            nn.MaxPool2d(kernel_size=2, stride=2),

            # 类似结构延续到 Block5...
        )
        self.classifier = nn.Sequential(nn.Linear(512*7*7, 4096),  # 实际 CIFAR-10 需调整输入维度
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(4096, 4096),
            nn.ReLU(inplace=True),
            nn.Dropout(),
            nn.Linear(4096, num_classes),
        )

关键说明：

inplace=True 节省内存
实际使用需根据输入尺寸调整全连接层（CIFAR-10 建议改为 512→512）

class Inception(nn.Module):
    def __init__(self, in_channels, ch1x1, ch3x3red, ch3x3, ch5x5red, ch5x5, pool_proj):
        super().__init__()
        # 1x1 分支
        self.branch1 = nn.Sequential(nn.Conv2d(in_channels, ch1x1, kernel_size=1),
            nn.BatchNorm2d(ch1x1),
            nn.ReLU(inplace=True),
        )
        # 其他分支类似...

    def forward(self, x):
        return torch.cat([self.branch1(x),
            self.branch2(x),
            self.branch3(x),
            self.branch4(x),
        ], 1)

数据准备 ：

transform = transforms.Compose([transforms.RandomHorizontalFlip(),
    transforms.ToTensor(),
    transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))
])
trainset = torchvision.datasets.CIFAR10(root='./data', train=True, download=True, transform=transform)