Python 3.x 如何将一个经过培训的网络用作另一个网络keras中的分支？

假设我的网络与此类似：

[ICNet_Keras]（）

本回购协议中的培训程序错误！ 它有三个分支。 分辨率1/4分支是一个预训练网络，具有保存的权重。 分辨率1/2分支是1/4网络的一部分，权重与1/4共享（我不知道如何共享） 决议1分支是我的定制

列车程序如下： 1/4的人接受了城市景观（用于放松）培训，并保存和重新加载
1/4分支的前几层用于馈送分辨率为1/2的图像
最后一个分支用于全分辨率图像。
这些分支与CFF（级联特征融合模块）相关

如何加载1/4预训练重量并训练整个网络？
1/4和1/2分支中的某些层之间的权重共享如何

为简单起见，您可以假定
1/4有5个层，分别进行培训并加载以进行微调
1/2有2个1/4的第一层
1有2个独立的层

---

而CFF只是上采样+concat

有你的输入张量：

inputs = Input(size)

如果您自己训练模型，请确保使用可变图像大小（它是卷积的，对吗？）：输入形状=

（无，无，通道）

如果没有，则需要使用可变图像大小重建模型。请确保不使用展平，它将不支持可变图像大小。如果您想使用展平后的内容，它将不支持重量转移

1/4 加载保存的模型（无需编译，您不是直接对其进行培训）：

通过它传递输入（可能先进行一些重缩放）

1/2 从

lowRes

获取段：

midRes = Model(lowRes.input, lowRes.layers[1].output)

通过它传递输入（可能先进行一些重缩放）

1/1 不管它是什么，都要建造：

....
....
hiRes = Model(....)

通过它传递输入：

hiOut = hiRes(inputs)

---

旧答案 层和模型可以多次使用，可以根据需要多次使用

共享层：

创建图层：

layer = Conv2D(....)

out1 = layer(input1)
out2 = layer(input2)
out3 = layer(input3)

使用图层：

layer = Conv2D(....)

out1 = layer(input1)
out2 = layer(input2)
out3 = layer(input3)

这是同一层，所以，相同的重量

共享模型：

一个

模型

是一个

层

，因此它的工作原理完全相同：

model = load_some_model()

branch1_out = model(input_branch1)    
branch2_out = model(input_branch2)

最终型号：

最后，只需创建一个定义输入张量和输出张量的模型：

final_model = Model(inputs = input_or_list_of_inputs, 
                    outputs= output_or_list_of_outputs)

---

谢谢，我理解体重分担。但对于模型共享，假设保存了1/4，然后将其加载到模型。1/2是平行车道中1/4（例如前5层）的一部分。所以我需要重新定义它，从1/4中提取相应的权重并分配给它（有更好的解决方案吗？！）。然后添加我的自定义分支。这就是它变得复杂的地方！你为什么不用你想要的网络的细节来编辑你的问题呢？解决方案不是很难。你说模型是分层的。model.compile（）中的配置如何？我是否要为新模型清除它们？我正在尝试如何实现我的配置，它在大多数方面与icnet类似。但是keras中的icnet实现是错误的。compile只添加loss函数和优化器。对于您不打算调用的

fit

型号，这是完全不必要的。只有您称之为

fit

的模型需要优化器和损耗。

final_model = Model(inputs = input_or_list_of_inputs, 
                    outputs= output_or_list_of_outputs)