VGG : empiler de petits filtres
Créer de la profondeur avec de simples blocs 3x3.
VGG : empiler de petits filtres est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
One Filter Size to Rule
VGG made a bold bet: use only tiny 3x3 convolutions everywhere, and just stack a lot of them.
Why Small Wins
Two stacked 3x3 layers see the same area as one 5x5, but with fewer parameters and an extra nonlinearity in between.
Depth Over Width
Instead of fat layers, VGG chose to go deep, reaching 16 or 19 layers and learning richer feature hierarchies.
Uniform and Predictable
Every conv keeps the same padding and size, so shapes stay easy to reason about. This uniformity made VGG simple to copy.
Pool to Shrink
After each block of convs, a 2x2 max pool halves the spatial size while doubling the channel count.
import torch.nn as nn
pool = nn.MaxPool2d(kernel_size=2, stride=2)A VGG Block
The repeating unit is conv, ReLU, conv, ReLU, pool. Chain these blocks and you have most of VGG.
import torch.nn as nn
block = nn.Sequential(nn.Conv2d(64, 128, 3, padding=1), nn.ReLU(), nn.MaxPool2d(2))A Heavy Classifier Head
VGG ends with three large dense layers. They hold most of its weights, which is why the model is so big on disk.
The Memory Cost
That elegance has a price: VGG is slow and memory-hungry. Beauty in design did not mean cheap to run.
A Strong Feature Extractor
Even today, VGGs early layers make excellent reusable features for transfer learning and style transfer.
Build It with Loops
Because the pattern repeats, you can generate VGG from a config list, looping to add each layer programmatically.
cfg = [64, 64, "M", 128, 128, "M"]
# "M" means insert a max-pool hereThe Lasting Lesson
VGGs gift was a clear principle: prefer many small filters over a few large ones. Modern nets still follow it.
Quick Check
Recall the central design choice behind VGG.
Recap: Small but Mighty
VGG proved that depth built from simple 3x3 blocks beats clever big filters. Simple, repeatable, and influential. Well done!
Questions Fréquemment Posées
La leçon « VGG : empiler de petits filtres » est-elle gratuite ?
Oui — le texte complet de « VGG : empiler de petits filtres » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « VGG : empiler de petits filtres » ?
Créer de la profondeur avec de simples blocs 3x3. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « VGG : empiler de petits filtres » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- LeNet et AlexNet : les premières réussites
- VGG : empiler de petits filtres
- ResNet : les connexions de saut vont en profondeur
- Charger les modèles torchvision