TensorFlow中pre_trained_model.get_layer()实现迁移学习的原理疑惑

我在做TensorFlow迁移学习时，提取InceptionV3从起始层到mixed7的网络部分，再添加自定义的Flatten、Dense、Dropout和Dense层。代码可正常运行，但我无法理解最终模型为何会包含mixed7之前的所有层。我原以为last_output只是mixed7层的输出，仅关联该层的权重/偏置，就算其计算依赖前面的层，它本身也只代表单个层，后续添加自定义层后，模型应该只包含mixed7和自定义层才对。

from tensorflow.keras.applications.inception_v3 import InceptionV3
from tensorflow.keras import layers
local_weights_file = '/tmp/inception_v3_weights_tf_dim_ordering_tf_kernels_notop.h5'
pre_trained_model = InceptionV3(input_shape = (150, 150, 3), 
                                include_top = False, 
                                weights = None)
pre_trained_model.load_weights(local_weights_file)
for layer in pre_trained_model.layers:
  layer.trainable = False
pre_trained_model.summary()
# Summary of all the layers in InceptionV3

last_layer = pre_trained_model.get_layer('mixed7')
print('last layer output shape: ', last_layer.output_shape)
last_output = last_layer.output
# last layer output shape:  (None, 7, 7, 768)

x = layers.Flatten()(last_output)
x = layers.Dense(1024, activation='relu')(x)
x = layers.Dropout(0.2)(x)                  
x = layers.Dense  (1, activation='sigmoid')(x)           

# Append the dense network to the base model
model = Model(pre_trained_model.input, x) 

model.summary()
# `InceptionV3` from the beginning up to `mixed7`, plus flatten, dense, dropout and dense layers in the end

这是因为TensorFlow的张量（Tensor）自带计算图依赖关系。你拿到的last_output不是孤立的数值结果，它是一条完整计算链的终点：从pre_trained_model.input出发，经过InceptionV3每一层的计算，最终到mixed7层输出的张量。这个张量内部记录了完整的计算路径：输入→第一层→第二层→……→mixed7。

当你用Model(pre_trained_model.input, x)创建新模型时，TensorFlow会自动追溯从输入到最终输出x的所有计算节点，把这些节点对应的层全部纳入模型中。简单来说：

• pre_trained_model.input是整个模型的起点
• x是基于last_output构建的终点，而last_output的生成依赖前面所有层的计算
• 因此TensorFlow会把这条路径上的所有层（从输入到mixed7，再到你添加的自定义层）都整合到新模型里

你可以把张量想象成一条“管道”，last_output是管道的末端，但这条管道是从输入开始，经过前面所有层连通过来的，并非凭空出现的末端。创建模型时，TensorFlow会把整条管道完整打包进去。

内容的提问来源于stack exchange，提问作者lanselibai