输入层从深度学习模型的结构中消失

Question

我使用以下代码使用 VGG16 创建了一个 CNN 模型，但在创建模型后，模型的输入层从结构中消失了（见图）。

为什么输入层从结构中消失了？

vgg16_model = keras.applications.vgg16.VGG16()
model = Sequential([])
 for layer in vgg16_model.layers[:-1]:
   model.add(layer)
   model.add(Dropout(0.5))
   model.add(Dense(2, activation='softmax', name = 'prediction'))

模型结构

Answer 1

当使用 Sequential API 时，这只是 Keras 模型表示的一个工件，它没有任何实际效果：该Input层隐式存在，但不被视为正确的层，也不会出现在model.summary(). 如果使用 Functional API，它确实会显示。

考虑以下两个相同的模型，使用两个不同的 API 编写：

顺序API

from keras.models import Sequential
from keras.layers import Dense      # notice that we don't import Input here...

model_seq = Sequential([
    Dense(64, input_shape=(784,),activation='relu'),
    Dense(64, activation='relu'),
    Dense(10, activation='softmax')
])    

model_seq.summary()

# result:

_________________________________________________________________
Layer (type)                 Output Shape              Param #   
=================================================================
dense_1 (Dense)              (None, 64)                50240     
_________________________________________________________________
dense_2 (Dense)              (None, 64)                4160      
_________________________________________________________________
dense_3 (Dense)              (None, 10)                650       
=================================================================
Total params: 55,050
Trainable params: 55,050
Non-trainable params: 0
_________________________________________________________________

功能API

from keras.models import Model
from keras.layers import Input, Dense  # explicitly import Input layer

inputs = Input(shape=(784,))
x = Dense(64, activation='relu')(inputs)
x = Dense(64, activation='relu')(x)
predictions = Dense(10, activation='softmax')(x)

model_func = Model(inputs=inputs, outputs=predictions)

model_func.summary()

    # result:

Layer (type)                 Output Shape              Param #   
=================================================================
input_1 (InputLayer)         (None, 784)               0         
_________________________________________________________________
dense_1 (Dense)              (None, 64)                50240     
_________________________________________________________________
dense_2 (Dense)              (None, 64)                4160      
_________________________________________________________________
dense_3 (Dense)              (None, 10)                650       
=================================================================
Total params: 55,050
Trainable params: 55,050
Non-trainable params: 0
_________________________________________________________________

这两个模型是相同的；当使用 Sequential API 时，Input层没有明确显示这一事实model.summary()并不意味着与模型的功能有关。编辑：正如 Daniel Möller 在下面的评论中正确指出的那样，它甚至不是一个真正的层，除了定义输入形状之外什么都不做（注意model_func.summary上面的0 训练参数）。

换句话说，不用担心...

此相关线程也可能有用：Keras Sequential 模型输入层