在keras模型中添加或删除上游层

我想修改keras输入层或将其附加到预训练的初始模型中。我知道。上游层呢

例如，我想添加一个层，它将获取我的输入图像并将其分为3个通道（我知道还有其他解决方案，但让我们试试）：

结果是我无法像

base\u model.input=img3那样轻松设置输入属性，这会引发异常


更新：
我实际上需要修改上游层和下游层。目前，我正在以以下方式裁剪网络中的下游层：

n_classes = 1
final_activation = 'sigmoid'
ndense=64
dropout=0.5
base_trainable=False

base_model = InceptionV3(weights='imagenet', include_top=False)
img = Input(( None, None, 1))
d0 = Conv2D(3, (1,1), kernel_initializer='Ones', use_bias=False)
img3 = d0(img)
base_model(img3)

# get third Concatenation layer and crop the network on it:
cc=0
poptherest = False
for nn, la in enumerate(base_model.layers):
    if type(la) is keras.layers.Concatenate:
        if cc==3:
            x = la.output
            break
        cc+=1
base_model.layers = base_model.layers[:nn+1]

#x = [la.output for la in base_model.layers if type(la) is keras.layers.Concatenate][3]
x = GlobalAveragePooling2D()(x)
# let's add a fully-connected layer
x = Dropout(dropout)(x)

x = Dense(ndense, activation='relu')(x)
# and a logistic layer -- let's say we have 200 classes
predictions = Dense(n_classes, activation=final_activation)(x)

# this is the model we will train
model = Model(inputs=img, outputs=predictions)

如何将上述修改添加到我的代码中？
对于复杂模型，以及具有分支的模型，弹出/添加层的想法并不适用，因为它是针对顺序模型的

好消息是，使用函数式API
Model
几乎可以做任何事情

您的模型几乎正确，但无法设置“model.input”。但您可以将输入传递到模型，就像模型是一个层一样：

output = base_model(img3) #if an exception appears here, it's probably a shape problem
myModel = Model(img,output)

现在，您的输入有问题。不能使用“无”。没有为Keras保留以分离可变批量。您必须准确定义图像的大小，该大小应为：

img = Input((horizPixels,vertPixels,channels))  

请注意，img3张量必须具有与预期输入兼容的形状。如果inception需要三个通道图像，请确保您的img3的形状为（x，y，通道）或（无，x，y，通道）


我不确定我是否理解您想要实现的目标，但如果您的输入图像只有一个通道，并且您希望从中创建一个3通道图像，我建议您使用带有3个过滤器的卷积层：

d0 = Conv2D(filter=3, kernel_size=(3,3), .....)

但是，如果您想要一个不需要学习任何东西并且已经知道要做什么的层，那么最好在您的训练数据中自己分离图像，而不是将任务留给模型
 有什么例外？谢谢。那么，如何将其添加到代码中以裁剪/替换下游层呢？（请参阅更新）我认为您只需删除这一行，它看起来就可以了：
base\u model.layers=base\u model.layers[:nn+1]
。base_模型的其余部分仍然存在，但不在您的模型中，只在旧模型中。因为您定义的“路径”不会流经其余的层，所以它将在那里不起作用。
d0 = Conv2D(filter=3, kernel_size=(3,3), .....)