Python 从自定义预训练模型中删除图层

我从keras那里转移了关于初始模型的学习，如下所示：

base_model = applications.InceptionV3(weights='imagenet', include_top=False, input_shape=input_shape)

model_top = Sequential()
model_top.add(GlobalAveragePooling2D(input_shape=base_model.output_shape[1:], data_format=None))
model_top.add(Dropout(0.4))
model_top.add(Dense(2))
model_top.add(Activation("softmax"))

# model_top.summary()

model = Model(inputs=base_model.input, outputs=model_top(base_model.output))

我想使用经过训练的模型从GlobalAveragePooling层提取特征，但我不知道如何访问它。 加载模型后，摘要如下所示：

base_model = applications.InceptionV3(weights='imagenet', include_top=False, input_shape=input_shape)

model_top = Sequential()
model_top.add(GlobalAveragePooling2D(input_shape=base_model.output_shape[1:], data_format=None))
model_top.add(Dropout(0.4))
model_top.add(Dense(2))
model_top.add(Activation("softmax"))

# model_top.summary()

model = Model(inputs=base_model.input, outputs=model_top(base_model.output))

如果a显示

self.model.layers[-1]

的摘要，我可以看到顺序层中的GlobalAveragePooling、Dropout和稠密层，而不是Inception层。我想要的是Inception层，然后是GlobalAveragePool

这是可能的，还是我必须再次使用功能API构建架构，并重新培训整个过程

---

谢谢大家!

直接在序列中添加初始模型对我来说很有效：

来自keras导入应用程序的

从keras.layers导入GlobalAveragePoolig2D、辍学、密集、激活
从keras.models导入模型，顺序
输入_形状=（299299,3）
基本模型=应用程序.InceptionV3（weights='imagenet'，include\u top=False，input\u shape=input\u shape）
模型=顺序([
applications.InceptionV3（weights='imagenet'，include_top=False），
GlobalAveragePoolig2D（），
辍学率（0.4），
密度（2），
激活（“softmax”）
])
model.summary（）
子模型=模型（输入=模型.input，输出=模型.get_层（“全局平均池2D_1”）。输出）
submodel.summary（）

是的，但这意味着我需要再次训练。我有一个.hdf5文件，其中包含权重和我之前描述的体系结构，我想从这个体系结构中删除最后两层，以实现GlobalAveragePooling。我想使用检查点进行特征提取。我希望我现在说得更清楚。非常感谢。