在图像处理和计算机视觉中，运用深度进修模型（如卷积神经网络）时，确实通常会发现随着图层的增加，模型的复杂度和参数数量也会增加,从而导致模型的大致变大。

每个卷积层通常包含大量的参数（权重和偏置），这些参数用于进修图像的特征，随着层数的增加，模型可以进修更复杂的特征，但同时也需要更多的参数来表示这些特征,壹个具有更多图层的模型通常会有更大的文件大致。

模型的大致并不完全取决于图层的数量,还取决于下面内容影响：

1. 每个层的参数数量：不同的层也许有不同数量的参数。
2. 每个层的输出大致：随着层数的增加，输出特征图的大致也许会减小,这取决于卷积操作中的步长和填充。
3. 模型的优化：通过模型剪枝、量化等技术可以减小模型的大致。
4. 数据增强和正则化：这些技术可以减少模型对参数的依赖,从而在一定程度上减小模型的大致。

增加图层数量通常会导致模型大致增加,但通过优化技术可以控制这一增长。