VGG: последовательности маленьких фильтров
Глубина из простых блоков 3x3
«VGG: последовательности маленьких фильтров» — бесплатный урок Deep Learning Academy на CoddyKit. Это урок 2 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Deep Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Deep Learning Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
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!
Часто задаваемые вопросы
Урок «VGG: последовательности маленьких фильтров» бесплатный?
Да — полный текст урока «VGG: последовательности маленьких фильтров» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Deep Learning Academy, подпишись на CoddyKit PRO. Курс Deep Learning Academy содержит 4 уроков всего.
Чему я научусь в уроке «VGG: последовательности маленьких фильтров»?
Глубина из простых блоков 3x3 Ты практикуешь Deep Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Deep Learning Academy?
Предыдущий опыт не требуется. Deep Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 2 из 4.
Сколько времени занимает урок «VGG: последовательности маленьких фильтров»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Deep Learning Academy?
Да. Каждый урок Deep Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- LeNet и AlexNet: первые победы
- VGG: последовательности маленьких фильтров
- ResNet: пропускающие связи ведут в глубину
- Загружайте модели torchvision