Входной слой исчезает из структуры модели глубокого обучения

Question

Я использовал следующий код для создания модели CNN с использованием VGG16, но после создания модели входной слой модели исчезает из структуры (см. Изображение).

Почему входной слой исчезает из структуры?

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'))

Структура модели

Answer 1

Это просто артефакт представления модели Keras, когда используется Sequential API, и он не имеет никакого практического эффекта: неявно присутствует слой Input, но он не считается надлежащим слоем и не отображаетсяв model.summary().Он показывает , если используется функциональный API.

Рассмотрим следующие две идентичные модели, написанные с использованием двух разных API:

Последовательный 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
_________________________________________________________________

Функциональный 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
_________________________________________________________________

Эти две модели идентичны ;тот факт, что слой Input не отображается явно в model.summary() при использовании последовательного API, не означает ничего относительно функциональности модели.РЕДАКТИРОВАТЬ: Как правильно указывает Даниэль Мёллер в комментарии ниже, это даже не настоящий слой, который ничего не делает, кроме определения формы ввода (обратите внимание на его 0 параметров обучения в model_func.summary выше).

Другими словами, не беспокойтесь ...

Эта тема также может быть полезна: Keras Последовательный входной слой модели