Tensorflow 有没有办法将keras MobileNet V2模型划分为子模型？

我试图将

mobilenetw2

模型分为两部分

我首先要运行模型的第一部分，保存输出，然后出于某些原因将其提供给第二个模型。我试过找到代码， 但我得到了以下错误：

ValueError: A merge layer should be called on a list of inputs.

我认为这是因为模型不是顺序的。

---

有人能帮忙吗？

正如我在评论中提到的，mobile_net_v2中的某些层需要多个输入，而这些输入是之前某些层的输出。因此，将它们单独添加到序列模型会导致错误。我有另一个解决方案给你。使用link中的mobile_net_v2实现（我自己的），我能够创建您想要的模型：

import tensorflow as tf
from tensorflow.keras import layers, Model, Sequential


def conv_block(input_tensor, c, s, t, expand=True):
    """
    Convolutional Block for mobile net v2
    Args:
        input_tensor (keras tensor): input tensor
        c (int): output channels
        s (int): stride size of first layer in the series
        t (int): expansion factor
        expand (bool): expand filters or not?

    Returns: keras tensor
    """
    first_conv_channels = input_tensor.get_shape()[-1]
    if expand:
        x = layers.Conv2D(
            first_conv_channels*t,
            1,
            1,
            padding='same',
            use_bias=False
        )(input_tensor)
        x = layers.BatchNormalization()(x)
        x = layers.ReLU(6.0)(x)
    else:
        x = input_tensor

    x = layers.DepthwiseConv2D(
        3,
        s,
        'same',
        1,
        use_bias=False
    )(x)
    x = layers.BatchNormalization()(x)
    x = layers.ReLU(6.0)(x)

    x = layers.Conv2D(
        c,
        1,
        1,
        padding='same',
        use_bias=False
    )(x)
    x = layers.BatchNormalization()(x)

    if input_tensor.get_shape() == x.get_shape() and s == 1:
        return x+input_tensor

    return x


def splitted_model(input_shape=(224,224,3)):

    input = layers.Input(shape=input_shape)

    x = layers.Conv2D(
        32,
        3,
        2,
        padding='same',
        use_bias=False
    )(input)
    x = layers.BatchNormalization()(x)
    x = layers.ReLU(6.0)(x)

    x = conv_block(x, 16, 1, 1, expand=False)
    x = conv_block(x, 24, 2, 6)
    x = conv_block(x, 24, 1, 6)

    x = conv_block(x, 32, 2, 6)
    x = conv_block(x, 32, 1, 6)
    x = conv_block(x, 32, 1, 6)

    x = conv_block(x, 64, 2, 6)
    x = conv_block(x, 64, 1, 6)
    x = conv_block(x, 64, 1, 6)
    x = conv_block(x, 64, 1, 6)

    model_f = Model(inputs=input, outputs=x)

    input_2 = layers.Input(shape=(x.shape[1:]))
    x = conv_block(input_2, 96, 1, 6)
    x = conv_block(x, 96, 1, 6)
    x = conv_block(x, 96, 1, 6)

    x = conv_block(x, 160, 2, 6)
    x = conv_block(x, 160, 1, 6)
    x = conv_block(x, 160, 1, 6)

    x = conv_block(x, 320, 1, 6)

    x = layers.Conv2D(
        1280,
        1,
        1,
        padding='same',
        use_bias=False
    )(x)
    x = layers.BatchNormalization()(x)
    x = layers.ReLU(6.0)(x)

    x = layers.GlobalAveragePooling2D()(x)


    model_h = Model(inputs=input_2, outputs=x)

    return model_f, model_h

您可以创建以下两个模型：

IMG_SIZE = 160
IMG_SHAPE = (IMG_SIZE, IMG_SIZE, 3)
model_f, model_h = splitted_model(input_shape=IMG_SHAPE)

请注意，权重是随机初始化的。如果要在imagenet上训练mobilenet_v2中的权重，可以运行以下代码来复制权重：

mobile_net = tf.keras.applications.MobileNetV2(input_shape=IMG_SHAPE,
                                           include_top=False,
                                           weights='imagenet')
layer_f_counter = 0
layer_h_counter = 0
for i in range(len(mobile_net.layers)):
  if layer_f_counter<len(model_f.layers):
    if len(mobile_net.layers[i].get_weights()) > 0:
      if len(model_f.layers[layer_f_counter].get_weights()) > 0:
        print(mobile_net.layers[i].name,'here', model_f.layers[layer_f_counter].name, layer_f_counter)
        model_f.layers[layer_f_counter].set_weights(mobile_net.layers[i].get_weights())
      layer_f_counter += 1
      print(layer_f_counter)
    else:
      if len(model_f.layers[layer_f_counter].get_weights()) > 0:
        continue
      else:
        layer_f_counter+=1

  else:
    if layer_h_counter<len(model_h.layers):
      if len(mobile_net.layers[i].get_weights()) > 0:
        if len(model_h.layers[layer_h_counter].get_weights()) > 0:
          print(mobile_net.layers[i].name,'here', model_h.layers[layer_h_counter].name, layer_h_counter)
          model_h.layers[layer_h_counter].set_weights(mobile_net.layers[i].get_weights())
        layer_h_counter += 1
        print(layer_h_counter)
      else:
        if len(model_h.layers[layer_h_counter].get_weights()) > 0:
          continue
        else:
          layer_h_counter+=1

同样适用于型号h：

print(model_h.layers[-4].get_weights()) # printing weights of last conv layer in model_h
print(mobile_net.get_layer('Conv_1').get_weights()) # printing weights of last conv layer in mobile_net

---

请注意，我随机选择了要将莫尔_网分为模型f和模型h的块，您可以对其进行编辑以更改要拆分的位置。希望有帮助。

你能分享你试图合并两个层的那一行吗（即，导致错误的那一行）？我想当我添加它时，使用下面的一行：

model\u h.add（model.layers[current\u layer]）

。感谢您的快速响应。如果您使用了您提到的链接中的代码，它应该可以工作。我假设问题出在您试图拆分

mobilenetv2

的地方。并非所有Mobilenet层都是连续的，也不是所有层都将单个层的输出作为输入。一些层获取多个层的输出并合并它们。确保拆分mobilenetv2时，第二部分希望将单个层的输出作为输入，而不是多个层。没有看到你的代码，这就是我现在所有的假设。谢谢你的回答。请问我可以在哪一层进行拆分，以及如何在该层进行拆分？到谷歌colab文件。提前谢谢你巴希尔！好的，我可以拆分它，直到层块2添加（层27，见colab笔记本）。这是连接到多个层的第一个层。在这层之后我再也不能分裂了。有人知道这个问题吗？谢谢！我以后再试试！与原始模型相比，我是否可能得到更多错误的预测？我是否需要编译模型？因为我有一个问题，就是每个输入都有相同的预测？我对第一个进行预测，并将输出用作第二个的输入。我还添加了一个密集的softmax层，因为我的原始模型也有。如果你使用从经过训练的mobile_net模型复制的层，你不需要编译，但是如果你添加了密集层，它会随机初始化权重，因此你必须编译和训练。是的，我有一个带有mobilenet基础模型的模型，我添加了一个密集层，训练模型并保存它。然后我导入这个模型，并使用您发布的代码加载权重。我还在分裂的_模型函数中添加了稠密层，但仍然得到错误的预测。我做错了什么，因为密集层的重量也被加载了吗？使用基本模型培训的PS:

tf.keras.applications.MobileNetV2（输入\u shape=IMG\u shape，包括\u top=False，weights='imagenet'），class=2）

print(model_h.layers[-4].get_weights()) # printing weights of last conv layer in model_h
print(mobile_net.get_layer('Conv_1').get_weights()) # printing weights of last conv layer in mobile_net