从预训练的Keras模型中删除层与原始模型输出相同

Question

在进行一些特征提取实验时，我注意到 'model.pop（）' 功能不像预期的那样工作。 对于像vgg16这样的预训练模型，在使用“model.pop（）”后，model.summary（）显示该层已被删除（期望的4096个特征），但是通过新模型传递图像时，它会生成与原始模型相同数量的特征（1000）。 无论删除多少层，包括完全空的模型，它都会生成相同的输出。 寻求您的指导，了解可能存在的问题。

#Passing an image through the full vgg16 model
model = VGG16(weights = 'imagenet', include_top = True, input_shape = (224,224,3))
img = image.load_img( 'cat.jpg', target_size=(224,224) )
img = image.img_to_array( img )
img = np.expand_dims( img, axis=0 )
img = preprocess_input( img )
features = model.predict( img )
features = features.flatten()
print(len(features)) #Expected 1000 features corresponding to 1000 imagenet classes

1000

model.layers.pop()
img = image.load_img( 'cat.jpg', target_size=(224,224) )
img = image.img_to_array( img )
img = np.expand_dims( img, axis=0 )
img = preprocess_input( img )
features2 = model.predict( img )
features2 = features2.flatten()
print(len(features2)) #Expected 4096 features, but still getting 1000. Why?
#No matter how many layers are removed, the output is still 1000

1000

谢谢！

在这里查看完整代码：https://github.com/keras-team/keras/files/1592641/bug-feature-extraction.pdf

- Koul

Answer 1

参考 @Koul 的回答。

我认为你不需要使用 pop 方法。相反，只需将输出层之前的层作为 Model 方法的 output 参数的参数即可：

from keras.models import Model

model2 = Model(model.input, model.layers[-2].output)
model2.summary()

- user3731622

---

由于目前预训练的Keras模型（TensorFlow 2.4.0）使用的是函数式模型（而非顺序模型），因此不支持.pop()方法，这是唯一有效的解决方案。 - GMSL

Answer 2

在这里找到了答案：https://github.com/keras-team/keras/issues/2371#issuecomment-308604552

该链接提供了解决Keras中的问题的方法。

from keras.models import Model

model.layers.pop()
model2 = Model(model.input, model.layers[-1].output)
model2.summary()

模型2工作正常。

- Koul

---

在撰写本文时，最新的 TensorFlow（2.4.0）中，使用 .pop() 操作函数模型会引发错误，因此该方法不起作用。但是，下面用户“user3731622”的回答仍然有效。 - GMSL