(
c
o
m
p
u
t
a
t
i
o
n
a
l
c
o
s
t
=
o
u
t
_
c
h
a
n
n
e
l
×
o
u
t
_
h
×
o
u
t
_
w
×
i
n
_
c
h
a
n
n
e
l
×
f
i
l
t
e
r
_
s
i
z
e
2
computational\ cost = out\_channel \times out\_h \times out\_w \times in\_channel \times filter\_size^2
computationalcost=out_channel×out_h×out_w×in_channel×filter_size2) (简单计算一下第一个卷积层进行一次前向传播需要进行大约 8 千万次乘法运算)
本节参考:《深度学习之PyTorch物体检测实战》《DIVE INTO DEEP LEARNING》目录VGG块VGG网络VGG块VGG提出了可以通过重复使用简单的基础块来构建深度模型的思路VGG块的组成规律是:连续使用数个相同的填充为1、窗口形状为3×33×33×3的卷积层后接上一个步幅为2、窗口形状为2×22×22×2的最大池化层。卷积层保持输入的高和宽不变,而池化层则对其减半。多个3×33×33×3的卷积核进行堆叠,相比更大的卷积核,在获得相同感受野的情况下,所需参数量更少。同时因为拥有更