VGGNet 是在 2014 年 ImageNet 大规模视觉识别挑战赛（ILSVRC）中获得冠军的卷积神经网络模型，是一种基础的深度学习模型，具有以下入门基础知识：

1. 卷积神经网络（Convolutional Neural Network，CNN）：VGGNet 是一种卷积神经网络，是一种专门用于图像处理和识别的神经网络。CNN 通过卷积层提取图像的特征，然后通过全连接层进行分类。

2. 卷积层（Convolutional Layer）：卷积层是 CNN 的核心，通过卷积核对图像进行特征提取。卷积核是一个二维数组，用于与图像进行卷积运算，从而提取图像的特征。

3. 池化层（Pooling Layer）：池化层用于减小图像的分辨率，从而降低模型的计算成本，并提高模型的泛化能力。常用的池化操作有最大池化和平均池化。

4. 全连接层（Fully Connected Layer）：全连接层用于对提取的特征进行分类，通常采用 softmax 函数进行多分类。

5. 反向传播算法（Backpropagation）：反向传播算法是用于训练神经网络的算法，通过不断地调整网络的权值，使得网络的输出与真实标签尽可能匹配。

6. 损失函数（Loss Function）：损失函数用于衡量网络的输出与真实标签之间的差距，常用的损失函数有均方误差（MSE）和交叉熵损失函数（Cross-entropy）。

7. 优化算法（Optimization Algorithm）：优化算法用于更新网络的权值，使得损失函数最小化。常用的优化算法有随机梯度下降（SGD）、动量梯度下降（Momentum）和 Adagrad、Adadelta 等。

8. 模型训练（Model Training）：模型训练是指使用训练数据对神经网络进行训练，使得网络能够对新的数据进行分类或预测。模型训练通常包括数据预处理、模型训练、模型评估等步骤。

以上是 VGGNet 的入门基础知识，如果您想进一步了解 VGGNet 的细节和应用，可以深入学习相关的书籍、教程和论文。