摘要：如何强制keras.applications.VGG16的层（而不是vgg模型）在新的自定义模型中显示并作为层包含。

详细信息：

1. 我在keras.applications.VGG16（记为conv_base）之上构建自定义模型（记为model）。具体来说，我用自己的层替换了最后的全连接层。

   conv_base = VGG16(weights='imagenet',  # 使用ImageNet预训练
             include_top=False,  # 排除顶部的三层
             input_shape=(64, 64, 3),
             pooling = 'max')
   model = models.Sequential()
   model.add(conv_base)
   model.add(layers.BatchNormalization())
   model.add(layers.Dropout(0.2))
   model.add(layers.Dense(256, activation='linear'))
   model.add(layers.BatchNormalization())
   model.add(layers.Dropout(0.2))
   model.add(layers.Dense(1, activation='linear'))

2. 虽然通过conv_base.summary()可以看到conv_base中的层，但在model.summary()时，新的自定义模型只能看到vgg16层（类型为Model），而不是vgg16内的每一层（如图所示）。

   conv_base.summary()

    model.summary()

3. 相关问题

尽管可以通过model.get_layer('vgg16').layers访问vgg层，但这仍然偶尔会导致其他问题，包括：

(1) 加载权重：有时会搞乱权重加载过程。

    model.load_weights('~path/weights.hdf5')  

(2) 构建新模型：在调用model层来构建新模型时也会导致错误。

    model2 = Model(inputs=model.inputs, outputs=model.get_layer('vgg16').layers[1].output, name='Vis_Model') 

思考：我可以想象通过将keras.application.VGG的层逐一复制到新模型中来部分解决这个问题。但如何使用预训练的权重可能会是个问题。欢迎任何其他建议。

回答：

编辑：根据您的评论，这里是更新后的解决方案。

您可以通过迭代层并将它们附加到顺序模型来展平嵌套模型。以下代码中我使用了一个很棒的解决方案。

import numpy as np
import tensorflow as tf
from tensorflow.keras.applications import VGG16
from tensorflow.keras import layers, Model, utils
# 实例化VGG模型
conv_base = VGG16(weights='imagenet',  # 使用ImageNet预训练
                  include_top=False,  # 排除顶部的三层
                  input_shape=(64, 64, 3),
                  pooling = 'max')
# 定义次级嵌套模型
inp = layers.Input((64,64,3))
cnn = conv_base(inp)
x = layers.BatchNormalization()(cnn)
x = layers.Dropout(0.2)(x)
x = layers.Dense(256, activation='linear')(x)
x = layers.BatchNormalization()(x)
x = layers.Dropout(0.2)(x)
out = layers.Dense(1, activation='linear')(x)
model = Model(inp, out)
# 展平嵌套模型
def flatten_model(model_nested):
    layers_flat = []
    for layer in model_nested.layers:
        try:
            layers_flat.extend(layer.layers)
        except AttributeError:
            layers_flat.append(layer)
    model_flat = tf.keras.models.Sequential(layers_flat)
    return model_flat
model_flat = flatten_model(model)
model_flat.summary()