从预训练的keras模型中移除图层会提供与原始模型相同的输出

Question

在一些特征提取实验中，我注意到'model.pop（）'功能没有按预期工作。对于像vgg16这样的预训练模型，在使用'model.pop（）'之后，model.summary（）显示该图层已被删除（预期的4096个特征），但是在通过新模型传递图像时，它会产生相同的结果。作为原始模型的特征数（1000）。无论删除多少层（包括完全空模型），它都会生成相同的输出。寻找关于可能是什么问题的指导。

#Passing an image through the full vgg16 model
model = VGG16(weights = 'imagenet', include_top = True, input_shape = (224,224,3))
img = image.load_img( 'cat.jpg', target_size=(224,224) )
img = image.img_to_array( img )
img = np.expand_dims( img, axis=0 )
img = preprocess_input( img )
features = model.predict( img )
features = features.flatten()
print(len(features)) #Expected 1000 features corresponding to 1000 imagenet classes

1000

model.layers.pop()
img = image.load_img( 'cat.jpg', target_size=(224,224) )
img = image.img_to_array( img )
img = np.expand_dims( img, axis=0 )
img = preprocess_input( img )
features2 = model.predict( img )
features2 = features2.flatten()
print(len(features2)) #Expected 4096 features, but still getting 1000. Why?
#No matter how many layers are removed, the output is still 1000

1000

谢谢！

在这里查看完整代码：https://github.com/keras-team/keras/files/1592641/bug-feature-extraction.pdf

Answer 1

在这里找到答案：https://github.com/keras-team/keras/issues/2371#issuecomment-308604552

from keras.models import Model

model.layers.pop() model2 = Model(model.input, model.layers[-1].output)
model2.summary()

model2表现正常。