一、核心结构差异

VGG（深度堆叠型）‌：

全由‌3×3 卷积 +2×2 池化‌顺序堆叠，无跨层连接；典型为 VGG16/19，末端接‌3 个大全连接层‌（前两层各 4096 维），导致参数量高达‌1.38 亿‌，深层易梯度衰减 。

‌GoogLeNet（多尺度并行型）‌：

核心为‌Inception 模块‌，同一层内并行执行‌1×1、3×3、5×5 卷积及 3×3 池化‌后通道拼接；大量使用‌1×1 卷积降维‌控制计算量；末端用‌全局平均池化（GAP）‌替代全连接层，参数量仅约‌500-700 万‌；含辅助分类器缓解梯度消失 。

.ResNet（残差学习型）‌：

核心为‌残差块（Residual Block）‌，引入‌Shortcut 跳跃连接‌实现 H(x)=F(x)+xH(x)=F(x)+x，允许梯度无损回传；支持‌18 至 152 层‌超深结构；深网采用‌Bottleneck 设计‌（1×1 降维→3×3 卷积→1×1 升维）；末端同样使用 GAP，无 Dropout 。‌‌

二、关键指标对比

三、设计哲学演进

VGG‌证明了‌小卷积核堆叠‌可提升性能，但受限于串行结构与庞大参数，难以继续加深 。

‌GoogLeNet‌转向‌“宽度”探索‌，通过多尺度并行提取特征并利用 1×1 卷积压缩维度，在保持深度的同时大幅降低计算成本 。

‌ResNet‌回归‌“深度”本质‌，通过恒等映射解决深层网络优化难题，使训练上百层网络成为可能，成为后续架构的基石。

四、典型适用场景

VGG 适用场景‌

教学演示、基础特征可视化任务，结构简单易理解

算力充足、对推理速度不敏感的离线图像分类任务

作为骨干网络用于部分需要高特征表达能力的目标检测框架

GoogLeNet 适用场景‌

移动端、嵌入式等算力资源受限的部署环境

实时性要求高、参数量约束严格的轻量图像分类任务

多尺度目标占比高的场景，可同时捕捉不同粒度特征

ResNet 适用场景‌

高精度要求的工业级图像分类、目标检测、语义分割任务

数据集规模大、需要搭建超深网络的复杂CV任务

各类下游迁移学习任务，是目前最通用的骨干网络选型