Keras：实施分层培训模式的更好方法？

我目前正在学习使用Keras实现分层培训模型。我的解决方案既复杂又耗时，有人能给我一些简单的建议吗？还有人能解释一下KERA的拓扑结构，特别是

节点之间的关系。出站\u层

，

节点。入站\u层

，以及它们如何与张量关联：

输入\u张量

和

输出\u张量

？从拓扑结构来看，我很困惑：

input\u tensors[i]==inbound\u layers[i]。inbound\u节点[node\u index[i]]。output\u tensors[tensor\u index[i]

为什么

inbound\u节点

包含

output\u张量

，我不清楚它们之间的关系……如果我想删除的某些位置的层，我首先应该删除什么？另外，在某些地方添加图层时，我应该首先做什么

下面是我对分层培训模型的解决方案。我可以在顺序模型上实现，现在尝试在中实现：

为此，我只需在完成之前的培训后添加一个新层，然后重新编译（

model.compile（）

）和重新拟合（

model.fit（）

）

因为Keras模型需要输出层，所以我总是添加一个输出层。因此，每当我想添加一个新层时，我必须先删除输出层，然后再重新添加。这可以使用

model.pop（）

完成，在这种情况下

model

必须是

keras.Sequential（）

模型

Sequential（）

模型支持许多有用的函数，包括

model.add（layer）

。但是对于使用模型API的定制模型：

model=model（输入=…，输出=…）

，那些

pop（）

或

add（）

函数不受支持，实现它们需要一些时间，可能不方便