Tensorflow 张量板图孤立层

同时构建包括迁移学习的模型（来自VGG-16）。 我遇到这种奇怪的行为。Tensorboard图显示的层不是新模型的一部分，而是旧模型的一部分，在分离点上方，它们只是悬挂在那里

---

进一步调查时，

model.summary（）

没有显示这些层，

model.get\u层（“block4\u conv1”）

也找不到它们，而keras

tf.keras.utils.plot\u模型也没有显示它们。但如果它们不是图表的一部分，tensorboard怎么知道它们呢

为了构建新模型，我使用了推荐的方法

模型第一阶段：

    vgg_input_model = tf.keras.applications.VGG16(weights='imagenet', include_top=False, input_tensor=x)
    final_vgg_kayer = vgg_input_model.get_layer("block3_pool")
    input_model = tf.keras.Model(inputs=vgg_input_model.inputs, outputs=final_vgg_kayer.output)
    input_model.trainable = True

    x = tf.keras.layers.Conv2D(512, 1, padding="same", activation='relu', name="stage0_final_conv1")(input_model.output)
    x = tf.keras.layers.Conv2D(512, 1, padding="same", activation='relu', name="stage0_final_conv2")(x)
    x = tf.keras.layers.Conv2D(256, 1, padding="same", activation='relu', name="stage0_final_conv3")(x)
    x = tf.keras.layers.Conv2D(128, 1, padding="same", activation='relu', name="stage0_final_conv4")(x)


在尝试了多种方法后，我得出结论，推荐的方法是错误的。执行
model\u b=tf.keras.model（输入=model\u a.inputs，输出=model\u a.get\u layet（“某些层”）.output）
将导致从
model\u a
悬挂层。
在这两者之间使用
tf.keras.backend.clear_session（）
可能会清除keras图形，但tensorboard的图形则保留为空

我找到的最佳解决方案是按层配置所需模型的副本。
并在新模型中重建连接。这样，两个模型之间的Keras图中就没有任何关系了。
（这对于像VGG这样的顺序模型很简单，但对于像ResNet这样的模型可能更难）


示例代码：

tf.keras.backend.clear_session()

input_shape = (368, 368, 3)  #only the input shape is shared between the models
#transfer learning model definition
input_layer_vgg = tf.keras.layers.Input(shape=input_shape)
vgg_input_model = tf.keras.applications.VGG16(weights='imagenet', include_top=False, input_tensor=input_layer_vgg)
name_last_layer = "block3_pool" #the last layer to copy

tf.keras.backend.clear_session() #clean the graph from the transfer learning model

input_layer = tf.keras.layers.Input(shape=input_shape) #define the input layer for the first model
x=input_layer
for layer in vgg_input_model.layers[1:]:    #copy over layers, without the other input layer
    config=layer.get_config()  #get config
    weights=layer.get_weights() #get weights
    #print(config)
    copy_layer=type(layer).from_config(config) #create the new layer from config
    x=copy_layer(x) #connect to previous layers,
                    #required for the proper sizing of the layer,
                    #set_weights will not work without it
    copy_layer.set_weights(weights)    

    if layer.name == name_last_layer:
        break
del vgg_input_model

input_model=tf.keras.Model(inputs=input_layer,outputs=x) #create the new model,
                                                        #if needed x can be used further doen the line

在尝试了多种方法后，我得出结论，推荐的方法是错误的。执行
model\u b=tf.keras.model（输入=model\u a.inputs，输出=model\u a.get\u layet（“某些层”）.output）
将导致从
model\u a
悬挂层。
在这两者之间使用
tf.keras.backend.clear_session（）
可能会清除keras图形，但tensorboard的图形则保留为空

我找到的最佳解决方案是按层配置所需模型的副本。
并在新模型中重建连接。这样，两个模型之间的Keras图中就没有任何关系了。
（这对于像VGG这样的顺序模型很简单，但对于像ResNet这样的模型可能更难）


示例代码：

tf.keras.backend.clear_session()

input_shape = (368, 368, 3)  #only the input shape is shared between the models
#transfer learning model definition
input_layer_vgg = tf.keras.layers.Input(shape=input_shape)
vgg_input_model = tf.keras.applications.VGG16(weights='imagenet', include_top=False, input_tensor=input_layer_vgg)
name_last_layer = "block3_pool" #the last layer to copy

tf.keras.backend.clear_session() #clean the graph from the transfer learning model

input_layer = tf.keras.layers.Input(shape=input_shape) #define the input layer for the first model
x=input_layer
for layer in vgg_input_model.layers[1:]:    #copy over layers, without the other input layer
    config=layer.get_config()  #get config
    weights=layer.get_weights() #get weights
    #print(config)
    copy_layer=type(layer).from_config(config) #create the new layer from config
    x=copy_layer(x) #connect to previous layers,
                    #required for the proper sizing of the layer,
                    #set_weights will not work without it
    copy_layer.set_weights(weights)    

    if layer.name == name_last_layer:
        break
del vgg_input_model

input_model=tf.keras.Model(inputs=input_layer,outputs=x) #create the new model,
                                                        #if needed x can be used further doen the line