输入层从深度学习模型的结构消失

Question

我用下面的代码来创建使用VGG16 CNN的模型，但创建模型之后，该模型的输入层从结构消失（参照图像）。

为什么输入层从结构上消失？

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'))

该模型结构

Answer 1

这仅仅是Keras模型表示的神器使用顺序API时，它有没有实际效果责任：在Input层是有含蓄的，但它不被认为是适当的层，并没有在model.summary()露面。它不会出现如果使用功能API。

请看下面的两个相同的机型，采用了两种不同的API编写的：

连续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
_________________________________________________________________

这两种模式是相同的;的事实Input层不model.summary()明确地显示出来，当连续API使用关于模型的功能并不意味着什么。编辑：丹尼尔·默勒正确地在下面的评论中指出，它甚至不是一个真正的层，什么都不做，除了定义输入形状（注意上面的model_func.summary其0训练参数）。

换句话说，没有后顾之忧......

此相关的线程可能是有用的，太：Keras Sequential model input layer