在添加我自己的致密层后，vgg16模型的可训练参数发生了变化

在添加致密层后，VGG16模型的可训练参数发生了变化。

VGG16是一种经典的卷积神经网络模型，由多个卷积层和全连接层组成，用于图像分类和物体识别任务。在VGG16模型中，卷积层用于提取图像特征，全连接层用于分类。

当我们在VGG16模型中添加一个致密层时，意味着在全连接层之前插入了一个新的神经网络层。这个致密层通常包含一定数量的神经元，用于进一步处理卷积层提取的特征，并输出分类结果。

由于添加了致密层，VGG16模型的可训练参数数量发生了变化。原始的VGG16模型中的可训练参数主要包括卷积层的卷积核和全连接层的权重和偏置。而在添加致密层后，新添加的神经网络层的权重和偏置也成为了可训练参数。

这种变化会增加VGG16模型的复杂度和参数数量，需要更多的训练数据和计算资源进行训练。但同时，通过添加致密层可以进一步提升模型的表达能力和分类性能，使其适应更复杂的任务和场景。

对于这个问题，腾讯云提供了适用于深度学习的AI推理加速器——腾讯AI加速器（Tencent AI Accelerator，TACC），可为用户提供高性能的深度学习推理服务。详情请参考腾讯云的TACC产品介绍。