如何使用预训练模型的第一层来提取 Keras 模型中的特征（功能 API）

Question

我想使用预训练模型的第一层——比如在 Xception 中，包括 add_5 层来从输入中提取特征。然后将 add_5 层的输出传递给可训练的密集层。我怎样才能实现这个想法？

Answer 1

通常，您需要重用一个模型中的层，将它们作为输入传递给其余层，并创建一个模型对象，其中指定了组合模型的输入和输出。例如来自https://github.com/FHainzl/Visualizing_Understanding_CNN_Implementation.git的 alexnet.py 。

他们有

from keras.models import Model

from keras.layers.convolutional import Conv2D, MaxPooling2D, ZeroPadding2D

def alexnet_model():

    inputs = Input(shape=(3, 227, 227))

    conv_1 = Conv2D(96, 11, strides=4, activation='relu', name='conv_1')(inputs)

    …

    prediction = Activation("softmax", name="softmax")(dense_3)

    m = Model(input=inputs, output=prediction)

    return m

然后他们采用这个返回的模型，即所需的中间层，并制作一个返回该层输出的模型：

def _sub_model(self):

    highest_layer_name = 'conv_{}'.format(self.highest_layer_num)

    highest_layer = self.base_model.get_layer(highest_layer_name)

    return Model(inputs=self.base_model.input,

                 outputs=highest_layer.output)

你会需要类似的东西，

highest_layer = self.base_model.get_layer('add_5')

然后继续它

my_dense = Dense(... name=’my_dense’)(highest_layer.output)

…

并完成

return Model(inputs=self.base_model.input,

             outputs=my_prediction)

由于最高层是层（图形节点），而不是连接，返回结果（图形弧），您需要添加.output到highest_layer.

如果上面的模型也准备好了，不知道如何准确地组合模型。也许像

model_2_lowest_layer = model_2.get_layer(lowest_layer_name)

upper_part_model = Model(inputs= model_2_lowest_layer.input,

                         outputs=model_2.output)

upper_part = upper_part_model()(highest_layer.output)

return Model(inputs=self.base_model.input,

             outputs=upper_part)