配套筆記&講解視頻，點擊文末名片獲取
- 研究背景和動機
在 VGG 出現之前，圖像識別就像“盲人摸象”：
- 計算機看一張圖，只能憑感覺抓幾個零散的“特征點”，
- 結果忽好忽壞，時靈時不靈。
大家發現，如果把“看圖的流程”做得更深、更系統，準確率就能蹭蹭往上漲。于是“深一點的網絡”成了當時的香餑餑，但問題是： - 怎么深？
- 深了會不會崩？
牛津大學的 VGG 團隊（Visual Geometry Group）站出來說：
“我們不想玩花活，就想回答一個樸素的問題——
如果每一層都用最簡單、最統一的小積木，一直往上摞，會發生什么？”
他們把“小積木”定成： - 統一大小（3×3）
- 統一步長（一步一格）
- 統一“粘合劑”（池化層）
就像只用一種形狀的樂高方塊，卻硬要搭出摩天大樓。
他們想證明：
“簡單 + 深度” 可能比 “復雜 + 淺層” 更給力。
2、VGG16 的創新點
- 深層網絡結構（樓層更高的“特征大樓”）
- 可以把神經網絡想象成一棟大樓，每一層都在提取不同層次的圖像特征。
- AlexNet 就像一棟 8 層的樓，大體能看到物體的形狀。
- VGG16 把樓層加高到了 16 層，每一層都更細致地加工特征，能看出更復雜、更抽象的細節。
- 小卷積核堆疊（小放大鏡的組
)