初始化 3D Neural Observatory

載入 Three.js r184 WebGPU build、建立 VGG16 層級隧道與池化顯微動畫。

VGG16 Observatory

VGG16 3D Neural Network Observatory

上傳圖片後，觀察 Input → Convolution → ReLU → Max Pooling → Flatten → Dense 的 3D 資料流。按下播放或點選任一層後，這裡會切換成 Layer Inspector。

Layer inspector

input_1

輸入圖片會被標準化成 224×224×3 tensor，接著流入第一個卷積區塊。

Type
input
Shape
224×224×3
Activation mean
0.00
Display channels
3

Operation

x ∈ R^(224×224×3)
已更新

📝 iPAS 考點提醒

VGG16 是經典深度 CNN,iPAS 影像考點(中級科目一與三)。重點:16 層、全部用 3x3 小卷積堆疊,結構簡單規整,是影像分類里程碑與常用骨幹。易混點:多個 3x3 堆疊可達大卷積核的感受野但參數更少;VGG 參數量大(尤其全連接層)、運算重,後來 ResNet 用殘差以更少參數達更好效果。情境:遷移學習的特徵抽取器、理解深層 CNN 結構。

想練情境題與詳解 → AI 學習與考證地圖

❓ 常見問題

VGG16 是什麼？

2014 年提出的經典 CNN，16 層、全部用 3x3 小卷積堆疊；結構簡單規整，是影像分類的里程碑與常用骨幹。

為什麼用 3x3 小卷積？

多個 3x3 堆疊能達到大卷積核的感受野，但參數更少、非線性更多；成為日後架構的常見設計。

VGG16 的結構大致如何？

數個卷積加卷積加池化的區塊逐步縮小空間、加深通道，最後接全連接層分類；越深特徵越抽象。

VGG 的缺點？

參數量大(尤其全連接層)、運算重、記憶體吃緊；後來 ResNet 等用更少參數達到更好效果。

為什麼還在學 VGG？

結構清楚、適合教學與視覺化、常作遷移學習的特徵抽取器；是理解深層 CNN 的好起點。

🧭 相關主題

CNNCNN 視覺化CNN 示範ResNetViT
← 返回 AI 學習與考證地圖