VGGNet 是指由牛津大学视觉几何组（Visual Geometry Group，VGG）开发的一系列卷积神经网络（CNN）架构。这些模型以其架构简单而著称，主要依赖于一组统一的小型3×3卷积滤波器堆叠，并在推动CNN设计向更深层次发展方面发挥了关键作用。该系列中最常见的变体是VGG-16和VGG-19，它们在2014年的ImageNet大规模视觉识别挑战赛（ILSVRC）中取得了最先进的性能，并且该架构在此后数年间被广泛应用于各种计算机视觉任务中。
作为学术研究的产物，VGGNet是一个开源模型，其设计在学术界和工业界均被广泛复制和改编。该架构为后续发展提供了重要参考，包括ResNet和DenseNet等系列，其设计原则在2021年RepVGG架构中得到了重新审视和应用。
发展背景与历史
VGGNet系列由牛津大学的视觉几何组设计，主要成员包括Karen Simonyan和Andrew Zisserman。这些模型在2014年发表的一篇题为《Very Deep Convolutional Networks for Large-Scale Image Recognition》的论文中提出。该工作旨在系统性地评估网络深度对识别精度的影响，与之前AlexNet（2012年）的架构形成对比，后者使用了更大且更多样化的滤波器尺寸。
VGGNet的方法是将通用的、重复的模块组合起来：3×3卷积层配合ReLU激活函数，并穿插2×2最大池化层，最后接全连接层和softmax输出层。这种模块化设计简化了深度网络的构建与分析，论文的实验结果也证明，使用小型滤波器的更深网络在性能上优于使用较大滤波器的较浅网络。
核心设计特点
VGGNet的核心设计原则是统一使用小型3×3卷积滤波器，步长为1。堆叠两个这样的卷积层可以获得与单个5×5滤波器相同的感受野，但参数数量更少：两个3×3层使用18·c²个参数，而一个5×5层则需要25·c²个参数（其中c为通道数）。这种参数减少使得网络可以在不显著增加计算量或过拟合风险的情况下变得更深。
网络结构遵循一种规则的布局：输入图像（通常为224×224像素）依次经过多个卷积阶段，每个阶段由一个或多个3×3卷积层组成，随后接一个步长为2的2×2最大池化层以降低空间维度。通道数随深度线性增加：从64开始，依次翻倍至128、256和512。例如，VGG-19配置（论文中标记为E）包含16个卷积层和3个全连接层（共19个权重层），参数量约为1.44亿。
变体与参数
VGG论文中提出了多种配置，标记为A到E，主要区别在于网络深度。其中最常用的两种是VGG-16（配置D，包含13个卷积层和3个全连接层）和VGG-19（配置E，包含16个卷积层和3个全连接层）。这两个模型的参数量分别约为1.38亿和1.44亿。全连接层的尺寸为4096，最后一层为1000个单元，对应ImageNet的1000个类别。
该架构最初为分类任务设计，但由于其通用的模块化特性，后来被成功应用于其他任务，例如作为目标检测框架Fast R-CNN的基础网络，以及用于神经风格迁移中的特征提取器。
影响与遗产
VGGNet是深度学习领域的一个重要里程碑。其简单、模块化的设计使其成为易于使用的基准模型，并被后续许多研究论文（包括ResNet）用作参考。它对卷积核尺寸的标准化（从AlexNet中的11×11大核转向3×3小核）产生了深远影响，这一设计选择直到2022年ConvNext架构中才被进一步修订。
随着Inception、ResNet和DenseNet等更高效或更强大的架构的出现，VGGNet逐渐不再是主流选择。然而，其简洁性使其至今仍常被用作教学工具和基准模型。2021年提出的RepVGG架构重新审视了VGG风格的设计，并通过重参数化技术提升了推理速度。
VGGNet在计算机视觉和图像识别领域具有重要的历史地位，它证明了网络深度对性能的关键作用，影响了后续一代又一代的网络设计。其开源模型被广泛集成到标准深度学习库中（例如通过预训练模型），使得研究人员和工程师能够轻松使用。VGGNet的成功也为深度学习在学术和工业界的普及做出了贡献，并与人工智能、机器学习等领域的快速发展紧密相关。
VGGNet系列至今仍是技术文献中被引用最多的架构之一，为后续众多模型提供了模板，并持续作为各种研究中的通用评估基准。