VGG : empiler de petits filtres

VGG a fait un pari audacieux : utiliser uniquement de petites convolutions 3x3 partout et en empiler un grand nombre.

Deux couches 3x3 empilées couvrent la même zone qu’une couche 5x5, mais avec moins de paramètres et une non-linéarité supplémentaire entre les deux.

Au lieu de couches épaisses, VGG a choisi d’aller en profondeur, atteignant 16 ou 19 couches et apprenant des hiérarchies de caractéristiques plus riches.

Chaque couche de convolution conserve le même remplissage et la même taille, ce qui rend les dimensions faciles à comprendre. Cette uniformité a rendu VGG simple à reproduire.

Après chaque bloc de convolutions, une opération de pooling maximal 2x2 divise la taille spatiale par deux tout en doublant le nombre de canaux.

L’unité répétée est la suivante : convolution, ReLU, convolution, ReLU, pooling. En enchaînant ces blocs, vous obtenez l’essentiel de VGG.

VGG se termine par trois grandes couches denses. Elles contiennent la plupart de ses poids, ce qui explique pourquoi le modèle est si volumineux sur le disque.

Cette élégance a un prix : VGG est lent et très gourmand en mémoire. La beauté de sa conception ne signifie pas qu’il est peu coûteux à exécuter.

Encore aujourd’hui, les premières couches de VGG produisent d’excellentes caractéristiques réutilisables pour l’apprentissage par transfert et le transfert de style.

Comme le motif se répète, vous pouvez générer VGG à partir d’une liste de configuration en utilisant une boucle pour ajouter chaque couche par programmation.

Le mérite de VGG est d’avoir établi un principe clair : préférez de nombreux filtres petits à quelques filtres grands. Les réseaux modernes le suivent encore.

VGG a prouvé que la profondeur construite à partir de blocs 3x3 simples surpassait les grands filtres ingénieux. Simple, répétable et influent. Bravo !