tf.keras如何在定制模型中重用resnet层作为定制层

Question

我正在寻找一种解决方案，将预先训练好的Resnet50模型重用为一个大的定制模型中的定制子层。

在我的场景中，我使用Resnet50作为FCN主干，然后我将使用FCN输出结果作为另一个网络层的输入。

你可以看到我的代码：https://github.com/piginzoo/textscanner/blob/master/network/layers/fcn_layer.py https://github.com/piginzoo/textscanner/blob/master/network/model.py

我的问题是，我找不到一个示例代码，要将TF2.0中的Resnet50层集成为自定义层的一部分，我搜索了stackoverflow，TF2.0官网和博客，找不到一个可行的代码片段来演示如何实现这些需求。

但我相信这是一个非常常见的范例，有没有人遇到过这样的问题，任何建议或代码演示都会非常感谢。

Answer 1

最后我找到了一个可行的方法，比如：

如代码所示，我创建了一个新模型，该模型使用预先训练好的Resnet50的输入作为输入，并使用3个“conv_block_out”作为新模型的输出，在call method中，我只是将该模型称为"a layer“样式。

有关详细信息，请参阅我的completed code Github。

伪代码：

class FCNLayer(Layer):
    def __init__(self, name, resnet50_model):
        super().__init__(name=name)
        resnet50_model.layers.pop()
        resnet50_model.summary()
        self.resnet50_model = resnet50_model

    def build(self, input_image, FILTER_NUM=4):
        layer_names = [
            "conv3_block4_out",  # 1/8
            "conv4_block6_out",  # 1/16
            "conv5_block3_out",  # 1/32
        ]
        layers = [self.resnet50_model.get_layer(name).output for name in layer_names]
        self.FCN_left = Model(inputs=self.resnet50_model.input, outputs=layers)
        ......


    def call(self, input_image, training=True):

        pool3, pool4, pool5 = self.FCN_left(input_image)
        .......