VGG: Pilhas de Filtros Pequenos
Profundidade a partir de blocos simples 3x3
VGG: Pilhas de Filtros Pequenos é uma aula grátis de Deep Learning Academy no CoddyKit. Esta é a aula 2 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Deep Learning Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Deep Learning Academy inclui 4 aulas no total.
Partes desta aula ainda não foram traduzidas e aparecem em inglês.
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!
Perguntas Frequentes
A aula “VGG: Pilhas de Filtros Pequenos” é grátis?
Sim — o texto completo de “VGG: Pilhas de Filtros Pequenos” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Deep Learning Academy, atualize para CoddyKit PRO. O curso de Deep Learning Academy inclui 4 aulas no total.
O que vou aprender em “VGG: Pilhas de Filtros Pequenos”?
Profundidade a partir de blocos simples 3x3 Você pratica Deep Learning Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Deep Learning Academy?
Nenhuma experiência prévia é necessária. Deep Learning Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 2 de 4.
Quanto tempo leva a aula “VGG: Pilhas de Filtros Pequenos”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Deep Learning Academy?
Sim. Cada aula de Deep Learning Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- LeNet e AlexNet: As Primeiras Vitórias
- VGG: Pilhas de Filtros Pequenos
- ResNet: Conexões de Atalho Aprofundam a Rede
- Carregue Modelos do torchvision