Python 如何从keras中父模型的摘要中公开子模型的层？

现在，我有一个名为model1的模型：

Layer (type)                    Output Shape         Param #     Connected to                     
==================================================================================================
input_3 (InputLayer)            (None, 101, 101, 1)  0                                            
__________________________________________________________________________________________________
up_sampling2d_2 (UpSampling2D)  (None, 202, 202, 1)  0           input_3[0][0]                    
__________________________________________________________________________________________________
zero_padding2d_36 (ZeroPadding2 (None, 256, 256, 1)  0           up_sampling2d_2[0][0]            
__________________________________________________________________________________________________
conv2d_3 (Conv2D)               (None, 256, 256, 3)  6           zero_padding2d_36[0][0]          
__________________________________________________________________________________________________
u-resnet34 (Model)              (None, 256, 256, 1)  24453178    conv2d_3[0][0]                   
__________________________________________________________________________________________________
input_4 (InputLayer)            (None, 1, 1, 1)      0                                            
__________________________________________________________________________________________________
cropping2d_2 (Cropping2D)       (None, 202, 202, 1)  0           u-resnet34[1][0]                 
__________________________________________________________________________________________________
lambda_3 (Lambda)               (None, 1, 1, 1)      0           input_4[0][0]                    
__________________________________________________________________________________________________
max_pooling2d_2 (MaxPooling2D)  (None, 101, 101, 1)  0           cropping2d_2[0][0]               
__________________________________________________________________________________________________
lambda_4 (Lambda)               (None, 101, 101, 1)  0           lambda_3[0][0]                   
__________________________________________________________________________________________________
concatenate_10 (Concatenate)    (None, 101, 101, 2)  0           max_pooling2d_2[0][0]            
                                                                 lambda_4[0][0]                   
__________________________________________________________________________________________________
conv2d_14 (Conv2D)              (None, 101, 101, 1)  3           concatenate_10[0][0]             
==================================================================================================
Total params: 24,453,187
Trainable params: 24,437,821
Non-trainable params: 15,366
_____________________________________

u-resnet34层是另一个模型，其中包含更多层。我可以打印它的摘要，我可以冻结任何我想要的图层。 当我冻结u-resnet34的图层并打印摘要时，我可以看到可训练参数相应减少

然而，即使我正在冻结model1中的模型层，model1的可训练参数也不会减少

如何冻结u-resnet34的层并使其反映在model1的可训练参数上

---

编辑： 下面是我的密码

# https://github.com/qubvel/segmentation_models
from segmentation_models import Unet
from keras.models import Model
from keras.layers import Input, Cropping2D, Conv2D

inputs = Input((256, 256, 3))
resnetmodel = Unet(backbone_name='resnet34', encoder_weights='imagenet', input_shape=(256, 256, 3), activation=None)
outputs = resnetmodel(inputs)
outputs = Cropping2D(cropping=((27, 27), (27, 27)) ) (outputs)
outputs = Conv2D(1, (1, 1), activation='sigmoid') (outputs)

model = Model(inputs=inputs, outputs=outputs)
model.compile(optimizer='adam', loss='binary_crossentropy')
model.summary()

这将产生：

Total params: 24,453,180
Trainable params: 24,437,814
Non-trainable params: 15,366

然后：

哪些产出：

Total params: 24,453,178
Trainable params: 0
Non-trainable params: 24,453,178

最后：

model.summary()

哪个输出：

Total params: 48,890,992
Trainable params: 24,437,814
Non-trainable params: 24,453,178

---

让我们以

ResNet50

为例

from keras.models import Model
from keras.layers import Input, Dense
from keras.applications.resnet50 import ResNet50

res = ResNet50()
res.summary()
#....
#Total params: 25,636,712
#Trainable params: 25,583,592
#Non-trainable params: 53,120

Resnet模型有很多参数需要训练

让我们把它作为模型的一层

x = Input((224,224,3))
y = res(x)
y = Dense(10)(y)
model = Model(x, y)
model.summary()
#.....
#Total params: 25,646,722
#Trainable params: 25,593,602
#Non-trainable params: 53,120

冻结resnet的层

for layer in res.layers:
    layer.trainable = False
res.summary()
# ....
#Total params: 25,636,712
#Trainable params: 0
#Non-trainable params: 25,636,712

这也反映在使用resnet的模型上

model.summary()
#.....
#Total params: 25,646,722
#Trainable params: 10,010
#Non-trainable params: 25,636,712

因此，内部模型的冻结层应反映到外部模型

编辑

---

如果在冻结模型之前编译模型，则需要再次编译

首先，您提到，当冻结u-resnet34的层时，它会反映在模型摘要中。然后你提到它没有反映出来。哪一个是正确的？还是我遗漏了什么？有两个总结。一个用于u-resnet34模型，另一个用于model1，其中包含u-resnet34。在这两种情况下，是否可以添加用于冻结层的代码？第一个和最后一个摘要都属于

模型

，但其中的参数总数不同。这是怎么回事？我自己也在想，但我想你也可以在那里重现这个问题。谢谢你的回答。你的代码在这里有效，但我的代码仍然无效。我在问题中发布了我的代码，因此您可以更好地理解它。我的代码和您的代码之间唯一重要的区别是编译方法。编译模型后，它将停止工作。compile（optimizer='adam'，loss='binary\u crossentropy'）由于您的代码，我得到了它。您需要再次编译它以更新摘要。我认为你的答案是正确的，但请稍后再提。

model.summary()
#.....
#Total params: 25,646,722
#Trainable params: 10,010
#Non-trainable params: 25,636,712