帮我用keras写一个VGG模型

当使用Keras编写VGG模型时，可以通过使用Keras的Sequential模型或函数式API来实现。下面是一个使用Sequential模型编写VGG模型的示例：

from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Flatten, Dense

def vgg_model():
    model = Sequential()
    
    # Block 1
    model.add(Conv2D(64, (3, 3), activation='relu', padding='same', input_shape=(224, 224, 3)))
    model.add(Conv2D(64, (3, 3), activation='relu', padding='same'))
    model.add(MaxPooling2D((2, 2), strides=(2, 2)))
    
    # Block 2
    model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
    model.add(Conv2D(128, (3, 3), activation='relu', padding='same'))
    model.add(MaxPooling2D((2, 2), strides=(2, 2)))
    
    # Block 3
    model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
    model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
    model.add(Conv2D(256, (3, 3), activation='relu', padding='same'))
    model.add(MaxPooling2D((2, 2), strides=(2, 2)))
    
    # Block 4
    model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
    model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
    model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
    model.add(MaxPooling2D((2, 2), strides=(2, 2)))
    
    # Block 5
    model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
    model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
    model.add(Conv2D(512, (3, 3), activation='relu', padding='same'))
    model.add(MaxPooling2D((2, 2), strides=(2, 2)))
    
    # Fully connected layers
    model.add(Flatten())
    model.add(Dense(4096, activation='relu'))
    model.add(Dense(4096, activation='relu'))
    model.add(Dense(1000, activation='softmax')) # 假设有1000个类别
    
    return model

# 创建VGG模型
model = vgg_model()

# 打印模型结构
model.summary()

上述代码定义了一个VGG模型，包括5个卷积块和3个全连接层。每个卷积块由连续的卷积层和最大池化层组成。最后的全连接层用于分类。这个示例中的VGG模型假设输入图像大小为224x224x3，并且输出1000个类别的分类结果。你可以根据实际情况修改输入图像大小和输出类别数。

希望这个示例能帮助你使用Keras编写VGG模型。如果有更多疑问，请随时提问。