🧠AI 冷知识
你知道吗？
这些有趣的 AI 小知识可能让你大吃一惊
📜
小卷积核的大道理VGG(2014)证明了一个反直觉的设计原则：用多个小卷积核替代一个大卷积核。三个3×3卷积的参数量是27个权重，一个7×7卷积是49个权重——前者参数更少，感受野相同(7×7)，非线性更多(3次ReLU vs 1次)。VGG-16有1.38亿参数，其中1.22亿(约90%)集中在最后三个4096维的全连接层——卷积层本身非常精简。虽然VGG在准确率上被后来的ResNet等超越，但它的简洁统一架构(全是3×3卷积)使其长期作为特征提取器被广泛使用，直到今天很多预训练特征仍来自VGG。
来源：Simonyan & Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition", ICLR 2015
一句话总结
💡
VGGNet 证明用堆叠的小 3x3 卷积替代大卷积核能加深网络并提升性能，建立简洁统一的架构范式。
常见误区
这些坑别踩
✗
误区 1
大卷积核一定比小卷积核好。
✓
正确理解
堆叠小卷积核以更少参数获得相同感受野且非线性更强。
✗
误区 2
VGG 参数量小很轻量。
✓
正确理解
VGG 全连接层参数量巨大，实际较重，不如 MobileNet 等轻量。
✗
误区 3
VGG 已完全过时。
✓
正确理解
其特征提取器在某些迁移学习场景仍有使用价值。