VGG 三层卷积 128通道

VGG 是一种深度卷积神经网络，由 Oxford 大学的研究团队提出。它的主要特点是使用了非常小的卷积核（3x3），并且在每个卷积层之后都添加了一个池化层，以减小特征图的大小。

如果我们在 VGG 网络中添加三个卷积层，并将每个卷积层的通道数设置为 128，则可以得到一个三层卷积 128 通道的 VGG 网络。具体的网络结构如下：

1. 输入层：输入图像的大小为 224x224x3。

2. 卷积层 1：使用 128 个 3x3 的卷积核，步长为 1，padding 为 same，输出特征图大小为 224x224x128。

3. 池化层 1：使用 2x2 的最大池化，步长为 2，输出特征图大小为 112x112x128。

4. 卷积层 2：使用 128 个 3x3 的卷积核，步长为 1，padding 为 same，输出特征图大小为 112x112x128。

5. 池化层 2：使用 2x2 的最大池化，步长为 2，输出特征图大小为 56x56x128。

6. 卷积层 3：使用 128 个 3x3 的卷积核，步长为 1，padding 为 same，输出特征图大小为 56x56x128。

7. 池化层 3：使用 2x2 的最大池化，步长为 2，输出特征图大小为 28x28x128。

8. 将特征图展开成向量，作为全连接层的输入。

9. 全连接层 1：使用 512 个神经元。

10. 全连接层 2：使用 10 个神经元，对应 10 个分类。

11. 输出层：使用 softmax 函数将分类结果转化为概率。

这个网络模型的参数量是相当大的，约为 3.3 亿个。因此，在实际应用中，通常需要进行模型压缩和剪枝等操作，以减小模型的体积和计算量。