Python 保存并从磁盘重新加载Keras模型后获取（输入）层

我已通过Keras加载、扩展、训练VGG16网络，然后将其保存到磁盘：

from keras.applications import VGG16
from keras import models

conv_base = VGG16(weights="imagenet", include_top=False)
model = models.Sequential()
model.add(conv_base)
...
model.compile(...)
model.fit(...)
model.save("saved_model.h5")

在另一个脚本中，我再次加载经过训练的模型：

from keras.models import load_model

model_vgg16 = load_model("saved_model.h5")
model_fails = model_vgg16.get_layer("vgg16")
model_fails.input

最后一行导致以下异常：

AttributeError: Layer vgg16 has multiple inbound nodes, hence the notion of "layer input" is ill-defined. Use `get_input_at(node_index)` instead.

但是，当我直接对VGG16网络执行相同的操作时，它可以正常工作：

from keras.applications import VGG16
from keras.models import load_model

model_works = VGG16(weights='imagenet', include_top=False)
model_works.input

最后一行不会导致错误。所以我的问题是：

---

如何访问保存后重新加载的Keras模型的（输入）层？

我的方法是首先打印模型所有层的名称，然后按其名称调用该层

例如：

from keras.models import load_model
model_vgg16 = load_model("saved_model.h5")
mdoel_vgg16.summary()

记下所需图层的名称，然后获取图层的输入或输出

layer_input = model_vgg16.get_layer('vgg16').get_layer(layer_name).input

---

将VGG16模型添加到自定义模型后，它将有两个输入节点：一个是原始输入节点，可使用

conv\u base访问。在（0）

处获取输入；另一个是为自定义模型中的输入创建的输入节点，可使用

conv\u base访问。在（1）

（这实际上是模型的输入，相当于

model.input

）。Keras中节点和层之间的区别已在中详细解释。

谢谢，但我如何知道

在（1）处获取输入

将等于

模型。在我的情况下输入
是吗？@Matthias确实如此，因为这是模型的输入张量。您可以使用
断言conv\u base来验证它。在（1）处获取输入是model.input
。我相信-只是，如果你不告诉我，我怎么知道？我在哪里可以看到索引#1而不是#0是模型的输入？@Matthias好吧，在你创建了VGG模型之后，也就是说，
conv_base=VGG16（…）
，只有一个索引为0的输入节点。换句话说，
conv#u base.get_input_at（1）
将引发错误。将
conv_base
添加到自定义模型作为其基础后，将在内部创建一个输入张量，表示模型的输入张量（即
model.input
）并将连接到
conv_base
，作为其索引为1的第二个输入节点。因此，我们将拥有
conv_base。在（1）处获取输入是模型。输入
求值为
True
。