🧠 深度学习ID:
cnn-architectures经典 CNN 演进
Classic CNN Architectures
🎯核心定义
CNN 演进主线: LeNet(1998, 卷积+池化+全连接 5 层, 手写数字)→ VGG(2014, 全 3×3 小核堆叠, 16/19 层)→ ResNet(2015, 残差捷径, 深至 152 层)→ DenseNet(2017, 层间密集拼接, 特征复用)。设计原则演进: ① 小核堆叠代替大核——两个 3×3 感受野等于一个 5×5(递推 ), 参数从 降为 , 约省 28%; ② 深度代替宽度——VGG 用深度换精度, 残差让“更深”成为常态; ③ 分辨率减半、通道翻倍(2× 法则), 保持单层 FLOPs 量级不变; ④ DenseNet 将“学新特征”改为“拼接复用旧特征”, 参数量进一步压缩且梯度更顺。
💡使用场景
面试考古必问——“VGG 为什么全用 3×3”“ResNet 解决什么问题”“DenseNet 和 ResNet 的区别”; 同时也是迁移学习的默认预训练骨干(特征提取/微调)。
⚡解决的核心痛点
从浅层走向极深层的规模化问题: 单纯加深遭遇退化(VGG 到头), 残差解决退化使 152 层可训, DenseNet 解决特征利用效率, 最终把 ImageNet top-5 错误率从 VGG 的 ~7.3% 压到 ResNet-152 的 ~4.6%, 且参数/算力保持工程可控。
🎯5 个高频面试考点 (Exam Points)
1
为什么用两个 3×3 堆叠替代一个 5×5 卷积? 感受野、参数量、计算量分别对比。
2
简述 LeNet→VGG→ResNet→DenseNet 的演进, 每一代解决了上一代的什么问题?
3
CNN 设计中“分辨率减半、通道翻倍”为什么能让计算量基本不变?
4
VGG 与 ResNet 对比: 深度、参数量、训练难度、精度表现有什么差异?
5
为什么深度对 CNN 精度重要? 单纯增加深度的瓶颈是什么(退化问题)?
📖 关联深度指南:📄 cnn-and-vit-architectures →
更新于 2026-08-12🎯
🚀 开始本考点专项刷题 ➔检验攻克程度：针对「经典 CNN 演进」专属刷题排雷
做单选排雷题、推导选项机制，答错自动收录进专属错题本。