Python 向tensorflow.keras模型中间层提供输入

我正在尝试使用tensorflow.keras.applications EfficientNetB0实现hydranet体系结构。该体系结构的目标是将网络分为两部分（第一部分：主干，第二部分：头部）。然后，一个输入图像应该只向主干网馈送一次，并且它的输出应该被存储。之后，该输出应直接输入到头部（根据要分类的类的数量，可以有多个）。 最佳方法：

我不想为每个头部重新绘制整个模型

主干只能执行一次

如果已经查看此论坛帖子： 但是提出的解决方案要么需要对头部重新编码，要么不起作用

我尝试了以下方法：

from tensorflow.keras.applications import EfficientNetB0 as Net
from tensorflow.keras.models import Model
split_idx = 73
input_shape = (250, 250, 3) # use depth=3 because imagenet is trained on RGB images
model = Net(weights="imagenet", include_top = True)

# Approach 1:

# create the full network so we can train on it
model_backbone = keras.models.Model(inputs=model.input, outputs=model.layers[split_idx].output)

# create new model taking the output from backbone as input and creating final output of head
model_head = keras.models.Model(inputs=model.layers[split_idx].output, 
                                outputs=model.layers[-1].output)

# Approach 2:
# create function for feeding input through backbone
# the function takes a normal input image as input and returns the output of the final backbone layer
create_backbone_output = K.function([model.layers[0].input], model.layers[split_idx].output)

# create function for feeding output of backbone through heads
create_heads_output = K.function([model.layers[split_idx].output], 
                                  model.output)

但当我尝试执行此操作时，两种方法都会出现“图形断开连接错误”：

WARNING:tensorflow:Functional model inputs must come from `tf.keras.Input` (thus holding past layer 
metadata), they cannot be the output of a previous non-Input layer. Here, a tensor specified as input 
to "model_5" was not an Input tensor, it was generated by layer block3b_drop.
Note that input tensors are instantiated via `tensor = tf.keras.Input(shape)`.
The tensor that caused the issue was: block3b_drop/Identity:0
---------------------------------------------------------------------------
ValueError                                Traceback (most recent call last)
<ipython-input-33-64dd6f6430a1> in <module>
  6 # create function for feeding output of backbone through heads
  7 create_heads_output = K.function([model.layers[split_idx].output], 
----> 8                                  model.output)

~\AppData\Roaming\Python\Python36\site-packages\tensorflow\python\keras\backend.py in 
function(inputs, 
outputs, updates, name, **kwargs)
4067     from tensorflow.python.keras import models  # pylint: disable=g-import-not-at-top
4068     from tensorflow.python.keras.utils import tf_utils  # pylint: disable=g-import-not-at-top
-> 4069     model = models.Model(inputs=inputs, outputs=outputs)
4070 
4071     wrap_outputs = isinstance(outputs, list) and len(outputs) == 1

~\AppData\Roaming\Python\Python36\site-packages\tensorflow\python\training\tracking\base.py in 
_method_wrapper(self, *args, **kwargs)
515     self._self_setattr_tracking = False  # pylint: disable=protected-access
516     try:
--> 517       result = method(self, *args, **kwargs)
518     finally:
519       self._self_setattr_tracking = previous_value  # pylint: disable=protected-access

~\AppData\Roaming\Python\Python36\site-packages\tensorflow\python\keras\engine\functional.py in 
__init__(self, inputs, outputs, name, trainable, **kwargs)
118     generic_utils.validate_kwargs(kwargs, {})
119     super(Functional, self).__init__(name=name, trainable=trainable)
--> 120     self._init_graph_network(inputs, outputs)
121 
122   @trackable.no_automatic_dependency_tracking

~\AppData\Roaming\Python\Python36\site-packages\tensorflow\python\training\tracking\base.py in 
_method_wrapper(self, *args, **kwargs)
515     self._self_setattr_tracking = False  # pylint: disable=protected-access
516     try:
--> 517       result = method(self, *args, **kwargs)
518     finally:
519       self._self_setattr_tracking = previous_value  # pylint: disable=protected-access

~\AppData\Roaming\Python\Python36\site-packages\tensorflow\python\keras\engine\functional.py in 
_init_graph_network(self, inputs, outputs)
202     # Keep track of the network's nodes and layers.
203     nodes, nodes_by_depth, layers, _ = _map_graph_network(
--> 204         self.inputs, self.outputs)
205     self._network_nodes = nodes
206     self._nodes_by_depth = nodes_by_depth

~\AppData\Roaming\Python\Python36\site-packages\tensorflow\python\keras\engine\functional.py in 
_map_graph_network(inputs, outputs)
981                              'The following previous layers '
982                              'were accessed without issue: ' +
--> 983                              str(layers_with_complete_input))
984         for x in nest.flatten(node.outputs):
985           computable_tensors.add(id(x))

ValueError: Graph disconnected: cannot obtain value for tensor 
KerasTensor(type_spec=TensorSpec(shape=(None, 224, 224, 3), dtype=tf.float32, name='input_4'), 
name='input_4', description="created by layer 'input_4'") at layer "rescaling_3". The following 
previous layers were accessed without issue: []

警告：tensorflow：功能模型输入必须来自`tf.keras.Input`（因此保持在图层上
元数据），它们不能是前一个非输入层的输出。这里，指定为输入的张量
“model_5”不是一个输入张量，它是由层块3b_drop生成的。
注意，输入张量是通过“tensor=tf.keras.input（shape）”实例化的。
导致问题的张量为：block3b_drop/Identity:0
---------------------------------------------------------------------------
ValueError回溯（最近一次调用上次）
在里面
6#创建通过磁头馈送主干输出的功能
7创建\u heads\u output=K.function（[model.layers[split\u idx].output]，
---->8型号（输出）
中的~\AppData\Roaming\Python\Python36\site packages\tensorflow\Python\keras\backend.py
功能（输入，
输出、更新、名称，**kwargs）
4067来自tensorflow.python.keras导入模型#pylint:disable=g-import-not-at-top
4068从tensorflow.python.keras.utils导入tf_utils#pylint:disable=g-import-not-at-top
->4069模型=模型。模型（输入=输入，输出=输出）
4070
4071 wrap_输出=isinstance（输出，列表）和len（输出）=1
中的~\AppData\Roaming\Python\Python36\site packages\tensorflow\Python\training\tracking\base.py
_方法_包装器（self，*args，**kwargs）
515 self._self_setattr_tracking=False#pylint:disable=protected access
516试试：
-->517结果=方法（自身、*args、**kwargs）
518最后：
519 self._self_setattr_tracking=上一个值#pylint:disable=受保护访问
中的~\AppData\Roaming\Python\Python36\site packages\tensorflow\Python\keras\engine\functional.py
__初始（自我、输入、输出、名称、可培训、**kwargs）
118 generic_utils.validate_kwargs（kwargs，{}）
119超级（功能，自我）。\uuuuu初始（名称=名称，可培训=可培训）
-->120自初始化图网络（输入、输出）
121
122@trackable.no\自动\依赖\跟踪
中的~\AppData\Roaming\Python\Python36\site packages\tensorflow\Python\training\tracking\base.py
_方法_包装器（self，*args，**kwargs）
515 self._self_setattr_tracking=False#pylint:disable=protected access
516试试：
-->517结果=方法（自身、*args、**kwargs）
518最后：
519 self._self_setattr_tracking=上一个值#pylint:disable=受保护访问
中的~\AppData\Roaming\Python\Python36\site packages\tensorflow\Python\keras\engine\functional.py
_初始图网络（自身、输入、输出）
202#跟踪网络的节点和层。
203个节点，节点按深度，层，映射图网络(
-->204自输入、自输出）
205自网络节点=节点
206 self.\u nodes\u by\u depth=nodes\u by\u depth
中的~\AppData\Roaming\Python\Python36\site packages\tensorflow\Python\keras\engine\functional.py
_映射图网络（输入、输出）
981“以下前几层”
982'已访问，没有问题：'+
-->983 str（带完整输入的图层））
984用于嵌套中的x。展平（节点输出）：
985可计算的_张量。加（id（x））
ValueError:图形已断开连接：无法获取张量的值
KerasTensor（type_spec=TensorSpec（shape=（None，224，224，3），dtype=tf.float32，name='input_4'），
“重新缩放”层的name='input_4'，description='由层'input_4'创建〕。以下
访问以前的层时没有问题：[]

我知道错误的根源是提供的张量不是输入张量。这个问题有什么解决办法吗？

1。）这个模型不像你试图处理的那样循序渐进 ->split_idx+1是添加另一层的添加操作，必须添加到第一个输出和第二个输入

block3b_drop (Dropout)          (None, 28, 28, 40)   0           block3b_project_bn[0][0]         
__________________________________________________________________________________________________
block3b_add (Add)               (None, 28, 28, 40)   0           block3b_drop[0][0]               
                                                                 block3a_project_bn[0][0]         
__________________________________________________________________________________________________

2.）添加所有需要的输入和给定的输出：

second_input1 = keras.Input(shape=model.layers[split_idx].output.shape[1:])
second_input2 = keras.Input(shape=model.get_layer(name='block3a_project_bn').output.shape[1:])

3.）重新连接模型的其余部分 在这里，您需要添加一些内容，但我会给您一些片段，让您开始：

for sequentially rewiring it it would be:
    tmp = [second_input1,second_input2]
    for l in range(split_idx+1, len(model.layers)):
        layer = model.layers[l]
        print(layer.name, layer.input)
        tmp = layer(tmp)

在您的情况下，这还不够，您需要找到正确的输入，下面的snipped可以做到这一点。 找到正确的输入，要求输入到下一个输出（跟踪输出），然后通过图形进行处理

for l in model.layers:
    # multiple inputs
    if type(l.input) is list:
        for li,lv in enumerate(l.input):
            print('o ', li, lv.name)
    else:
        print('- ', l.input.name)

另一种便宜的方法是->将其另存为json，添加输入节点，删除未使用的节点。加载新的json文件，在这种情况下，您不需要重新布线