如何在重训练后的预训练VGG16模型中访问中间层并提取特征

你遇到的问题根源在于：将VGG16作为嵌套子模型加入Sequential后，直接通过pop()处理后的模型无法正确关联子模型内部的层连接。以下是几种可行的解决方法：

方法一：直接从训练好的模型中提取嵌套VGG子模型 #

训练后的模型第一层就是你当初加入的VGG16子模型，直接取出它后，就可以任意指定内部层构建特征提取器：

# 假设已加载训练好的完整模型
trained_model = load_model("your_saved_model.h5")

# 获取嵌套的VGG16子模型
vgg_submodel = trained_model.layers[0]

# 示例：提取VGG16第12层的输出（可通过vgg_submodel.layers查看所有层的索引与名称）
target_layer = vgg_submodel.layers[12]
feature_extractor = Model(inputs=vgg_submodel.input, outputs=target_layer.output)

# 使用特征提取器预测
features = feature_extractor.predict(your_image_data)

方法二：重新初始化VGG并迁移训练后的权重 #

如果需要独立的特征提取模型，可以复制训练好的VGG权重到新模型中：

from tensorflow.keras.applications import VGG16
from tensorflow.keras.models import load_model, Model

trained_model = load_model("your_saved_model.h5")
# 取出训练后的VGG子模型
trained_vgg = trained_model.layers[0]

# 初始化新的VGG16基础模型
new_vgg = VGG16(weights="imagenet", include_top=False, input_shape=(224, 224, 3))
# 复制训练后的权重
new_vgg.set_weights(trained_vgg.get_weights())

# 构建特征提取器，比如提取block4_pool层的输出
feature_extractor = Model(inputs=new_vgg.input, outputs=new_vgg.get_layer("block4_pool").output)

方法三：训练时改用Functional API（更推荐） #

如果还未训练模型，改用Functional API构建模型，后续提取中间层会更直观，避免嵌套模型的问题：

from tensorflow.keras.applications import VGG16
from tensorflow.keras.models import Model
from tensorflow.keras.layers import Flatten, Dense, Dropout

vgg16_model = VGG16(weights="imagenet", include_top=False, input_shape=(224, 224, 3))
x = vgg16_model.output
x = Flatten()(x)
x = Dense(256, activation='relu')(x)
x = Dropout(0.5)(x)
output = Dense(70, activation='softmax')(x)

# 用Functional API构建完整模型
model = Model(inputs=vgg16_model.input, outputs=output)

# 训练后直接提取任意中间层，比如block5_conv2的输出
feature_extractor = Model(inputs=model.input, outputs=model.get_layer("block5_conv2").output)

为什么原方法出错？ #

你用pop()移除后续层后，模型只剩下嵌套的VGG子模型，但此时model.input是Sequential容器的输入，和VGG子模型内部层的张量连接因嵌套结构出现断开。直接访问VGG子模型的input和内部层的output才能正确构建连通的计算图。

内容的提问来源于stack exchange，提问作者Emily