Tensorflow 如何在tf.keras中明确输入层

利用预先训练好的VGG网络，其摘要显示正在使用的

InputLayer

。我喜欢清晰的显式输入层。。。即使在功能上它什么也不做（真的？）。但当我试着用类似这样的东西来模仿这一点时：

model = Sequential()
model.add(Input(shape=(128, 128, 3)))
model.add(Conv2D(32, (3, 3), activation='relu'))

使用

print（model.summary（））

显示的结果与以下结果没有区别：

model = Sequential()
model.add(Conv2D(32, (3, 3), activation='relu', input_shape=(128, 128, 3))

---

。。。两者都将第一层显示为

Conv2D

层。我的

输入层到哪里去了？它值得麻烦地取回吗？
不，你可以把它们分开，这没有任何区别

至于
input\u shape
，可以为每一层指定该参数，但是Keras足够聪明，可以自行推断下一层的形状，因此我们不会明确提及它。
在您的示例中，您使用的是顺序，请尝试使用
Keras.models.Model

inp = keras.layers.Input((128, 128, 3))
op = keras.layers.Conv2D(32, (3, 3), activation='relu')(inp)
model = keras.models.Model(inputs=[ inp ], outputs = [op] )
model.summary()

我怀疑这只是语义，你的输入并不是一个真正的层。它是张量，第一层是Conv2D，我也怀疑。但是我想知道如何从
model.summary（）
中显示它。就这一点而言，我想知道摘要中连接到

列的

在哪里消失了——我也不知道它们在那个问题上的位置：-（摘要显示了图层及其输入形状。输入是张量，而不是图层。我不明白您希望摘要显示的内容。对我来说，它包含了所有信息，但可能在更复杂的示例中不起作用。编辑：我检查了另一个，我看到了您所说的内容。您查看了他们的实际输入吗层是什么？我对环境太陌生了，不知道如何检查他们的“实际输入层”是。我所能看到的是，该问题中的摘要明确地显示了它，但上面的代码没有显示它……而您引用的
Input
doc页面也没有说明为什么不显示。如果可以将它们分开，您能否提供一个代码剪报，从而得出
model.summary（）
显示
输入
层？就像在接受的答案中一样，通过使用功能性APIOK-所以…猜测一下…这是一个毫无意义的功能，没有人认为有必要在
顺序
中实现它？同样地，…是“连接到”在你的总结中没有列，但在那个问题中出现，也基本上没有意义？只是尝试使用这些问答示例中的一些作为基准，试图重现…@omatai如果你看你的示例，model.input是不同的，反映了一个是通过model创建的。input与在conv2D上使用input相比，model.layers也不包括用一个连续的代码对输入层进行de。我认为这比缺少它的摘要更重要。我认为您提出的问题是正确的，不幸的是，一些答案是：keras/tensorflow决定更改api而不记录它。对于连接到：
Model: "model_1"
_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
input_2 (InputLayer)         [(None, 128, 128, 3)]     0         
_________________________________________________________________
conv2d_4 (Conv2D)            (None, 126, 126, 32)      896       
=================================================================
Total params: 896
Trainable params: 896
Non-trainable params: 0
_________________________________________________________________